Можно ли распознать эссе, написанное ИИ?
_Автор Эван Лю_
Эван Лю рассматривает вопрос, можно ли по самому тексту надежно определить, написано ли студенческое эссе с помощью ИИ. Его ответ: иногда можно заподозрить использование ИИ, но надежно доказать его по стилю практически невозможно.
Основные идеи:
ИИ действительно имеет характерные стилистические тенденции: гладкий академический язык, безупречную грамматику, симметричную структуру аргументации, шаблонные переходы, частые конструкции вроде «не только X, но и Y», списки из трех элементов и определенные пунктуационные привычки.
Но ни один из этих признаков не является доказательством. Так же могут писать хорошо подготовленные студенты, а современные LLM способны значительно разнообразить стиль.
Программные AI-детекторы также нельзя считать надежным доказательством: ложные обвинения могут заставлять студентов специально «маскировать» свой стиль, то есть учиться имитировать человеческое письмо вместо развития собственных навыков.
Более надежным оказывается не анализ текста сам по себе, а знание преподавателем предыдущих работ и уровня студента. Особенно подозрительным становится резкий разрыв между привычным уровнем письменной работы и внезапно появившимся профессионально отшлифованным текстом.
Поэтому автор предлагает создавать «базовую линию» студенческого письма — например, через короткие письменные задания непосредственно на занятии. Затем можно сравнивать с ней последующие работы.
Главный вывод: лучший способ реагирования на GenAI — не усиление технологического контроля, а педагогика, делающая процесс мышления студента видимым: поэтапное выполнение работы, черновики, очные задания, устные обсуждения, объяснение собственного хода рассуждений и постепенное развитие идей.
Кратко:
Не существует надежного «отпечатка ИИ» в тексте. Вместо попытки доказать авторство по стилистическим признакам преподавателю выгоднее наблюдать процесс формирования мышления и текста.
Проблема решается не столько распознаванием готового продукта, сколько изменением самого процесса оценивания так, чтобы получение готового ответа от ИИ не заменяло демонстрацию обучения.
Читать 4мин https://dzen.ru/a/ar4aerUwEwxgj1fQ
_Автор Эван Лю_
Эван Лю рассматривает вопрос, можно ли по самому тексту надежно определить, написано ли студенческое эссе с помощью ИИ. Его ответ: иногда можно заподозрить использование ИИ, но надежно доказать его по стилю практически невозможно.
Основные идеи:
ИИ действительно имеет характерные стилистические тенденции: гладкий академический язык, безупречную грамматику, симметричную структуру аргументации, шаблонные переходы, частые конструкции вроде «не только X, но и Y», списки из трех элементов и определенные пунктуационные привычки.
Но ни один из этих признаков не является доказательством. Так же могут писать хорошо подготовленные студенты, а современные LLM способны значительно разнообразить стиль.
Программные AI-детекторы также нельзя считать надежным доказательством: ложные обвинения могут заставлять студентов специально «маскировать» свой стиль, то есть учиться имитировать человеческое письмо вместо развития собственных навыков.
Более надежным оказывается не анализ текста сам по себе, а знание преподавателем предыдущих работ и уровня студента. Особенно подозрительным становится резкий разрыв между привычным уровнем письменной работы и внезапно появившимся профессионально отшлифованным текстом.
Поэтому автор предлагает создавать «базовую линию» студенческого письма — например, через короткие письменные задания непосредственно на занятии. Затем можно сравнивать с ней последующие работы.
Главный вывод: лучший способ реагирования на GenAI — не усиление технологического контроля, а педагогика, делающая процесс мышления студента видимым: поэтапное выполнение работы, черновики, очные задания, устные обсуждения, объяснение собственного хода рассуждений и постепенное развитие идей.
Кратко:
Не существует надежного «отпечатка ИИ» в тексте. Вместо попытки доказать авторство по стилистическим признакам преподавателю выгоднее наблюдать процесс формирования мышления и текста.
Проблема решается не столько распознаванием готового продукта, сколько изменением самого процесса оценивания так, чтобы получение готового ответа от ИИ не заменяло демонстрацию обучения.
Читать 4мин https://dzen.ru/a/ar4aerUwEwxgj1fQ
Разум — это больше, чем инструмент
_Автор Саша Мадд_
Статья рассматривает фундаментальный вопрос: можно ли свести интеллект человека и ИИ к оптимизации заданной цели. Автор использует противопоставление философских концепций Дэвида Юма и Иммануила Канта, чтобы показать, почему такое сведение может быть опасным.
Юм рассматривал разум преимущественно как инструмент: он помогает находить эффективные средства для достижения целей, но сами цели задаются желаниями и страстями. В современной терминологии это близко к представлению об интеллекте как способности оптимизировать заданную функцию.
Кант, напротив, считал разум способностью не только выбирать средства, но и критически оценивать сами цели: достойны ли они, могут ли быть рационально оправданы и совместимы с уважением к другим людям. Поэтому разум связан со свободой, автономией и человеческим достоинством.
Современный ИИ в значительной степени строится именно на оптимизации: максимизации вознаграждения, вероятности успеха, эффективности и т. п. При этом цели обычно задаются извне — разработчиками или пользователями. Автор считает, что нельзя автоматически считать такую способность полноценным аналогом человеческого разума.
Особую проблему автор видит не только в том, что ИИ может начать самостоятельно преследовать цели, но и в обратном процессе: люди могут постепенно привыкнуть отдавать машинам не только выполнение задач, но и определение того, что именно следует считать целью.
Здесь возникает кантовское различие между автономией и гетерономией. Если человек сам способен критически оценивать свои цели, он автономен; если его цели незаметно определяются алгоритмами, рынком, метриками или внешней властью, возникает гетерономия.
Автор связывает эту проблему с критикой инструментального разума Франкфуртской школой: когда всё оценивается через эффективность, прогнозируемость и управляемость, люди сами рискуют превратиться в «ресурсы», «данные» и объекты оптимизации.
Поэтому традиционная Проблема согласования искусственного интеллекта («как заставить ИИ следовать человеческим ценностям?») недостаточна. Возникает более глубокий вопрос: сохранят ли сами люди способность самостоятельно формировать, обсуждать и пересматривать свои ценности и цели, если всё больше решений будет передаваться ИИ.
Опасность ИИ заключается не только в том, что машины могут стать более автономными, но и в том, что люди могут утратить собственную автономию. Если интеллект определить исключительно как оптимизацию, человек начинает выглядеть как ещё одна система, которая эффективно реализует заданные предпочтения.
По мнению автора, Мы можем хотеть, чтобы машины были разумными слугами, но не должны соглашаться с тем, чтобы сами люди понимали себя лишь как инструменты.
Статья фактически предлагает различать _ИИ, который помогает эффективно достигать поставленной учебной цели_, и _образование, которое развивает у человека способность самому определять, оценивать и пересматривать цели_. Это уже не просто вопрос эффективности AI-assisted learning, а вопрос сохранения субъектности учащегося.
Читать 17мин https://dzen.ru/a/asCAK8fxumrb3Z7U
_Автор Саша Мадд_
Статья рассматривает фундаментальный вопрос: можно ли свести интеллект человека и ИИ к оптимизации заданной цели. Автор использует противопоставление философских концепций Дэвида Юма и Иммануила Канта, чтобы показать, почему такое сведение может быть опасным.
Юм рассматривал разум преимущественно как инструмент: он помогает находить эффективные средства для достижения целей, но сами цели задаются желаниями и страстями. В современной терминологии это близко к представлению об интеллекте как способности оптимизировать заданную функцию.
Кант, напротив, считал разум способностью не только выбирать средства, но и критически оценивать сами цели: достойны ли они, могут ли быть рационально оправданы и совместимы с уважением к другим людям. Поэтому разум связан со свободой, автономией и человеческим достоинством.
Современный ИИ в значительной степени строится именно на оптимизации: максимизации вознаграждения, вероятности успеха, эффективности и т. п. При этом цели обычно задаются извне — разработчиками или пользователями. Автор считает, что нельзя автоматически считать такую способность полноценным аналогом человеческого разума.
Особую проблему автор видит не только в том, что ИИ может начать самостоятельно преследовать цели, но и в обратном процессе: люди могут постепенно привыкнуть отдавать машинам не только выполнение задач, но и определение того, что именно следует считать целью.
Здесь возникает кантовское различие между автономией и гетерономией. Если человек сам способен критически оценивать свои цели, он автономен; если его цели незаметно определяются алгоритмами, рынком, метриками или внешней властью, возникает гетерономия.
Автор связывает эту проблему с критикой инструментального разума Франкфуртской школой: когда всё оценивается через эффективность, прогнозируемость и управляемость, люди сами рискуют превратиться в «ресурсы», «данные» и объекты оптимизации.
Поэтому традиционная Проблема согласования искусственного интеллекта («как заставить ИИ следовать человеческим ценностям?») недостаточна. Возникает более глубокий вопрос: сохранят ли сами люди способность самостоятельно формировать, обсуждать и пересматривать свои ценности и цели, если всё больше решений будет передаваться ИИ.
Опасность ИИ заключается не только в том, что машины могут стать более автономными, но и в том, что люди могут утратить собственную автономию. Если интеллект определить исключительно как оптимизацию, человек начинает выглядеть как ещё одна система, которая эффективно реализует заданные предпочтения.
По мнению автора, Мы можем хотеть, чтобы машины были разумными слугами, но не должны соглашаться с тем, чтобы сами люди понимали себя лишь как инструменты.
Статья фактически предлагает различать _ИИ, который помогает эффективно достигать поставленной учебной цели_, и _образование, которое развивает у человека способность самому определять, оценивать и пересматривать цели_. Это уже не просто вопрос эффективности AI-assisted learning, а вопрос сохранения субъектности учащегося.
Читать 17мин https://dzen.ru/a/asCAK8fxumrb3Z7U
Кризис искусственного интеллекта в высшем образовании: стратегическое предложение
Автор Марк Карриган
рассматривает не столько технические возможности ИИ, сколько последствия массового распространения языковых моделей для доверия, оценки, образовательной культуры и самого университета.
Главный тезис: кризис высшего образования вызван не просто появлением ИИ, а тем, что языковые модели уже массово используются студентами и преподавателями, при этом не сформировались общие нормы их допустимого использования. В результате возникает многомерный кризис доверия.
Карриган предлагает не выбирать между запретом ИИ и его тотальной интеграцией, а использовать стратегию «недостаточной интеграции» (strategic under-integration) — двигаться вперед постепенно, сохраняя возможность менять курс по мере развития технологий.
Проблема не столько в «ИИ», сколько в конкретном программном обеспечении
Автор призывает осторожнее употреблять термин «искусственный интеллект». Он слишком широк: под ним смешиваются LLM, рекомендательные алгоритмы, системы прогнозирования, генеративные инструменты и совершенно разные технологии.
Для университетов практичнее говорить о конкретных языковых моделях и конкретных сценариях их использования. Это позволяет обсуждать реальные проблемы, а не гипотетический «сверхинтеллект».
При этом LLM могут выполнять две противоположные функции:
когнитивное усиление — помогать человеку думать, исследовать, анализировать;
когнитивный аутсорсинг — выполнять интеллектуальную работу вместо человека.
Поэтому сама технология не является автоматически ни «хорошей», ни «плохой» для образования: результат зависит от того, как именно её используют.
ИИ обнаружил старые проблемы университетов
Массовое использование LLM нельзя объяснять только тем, что студенты «ленивы» или хотят списывать. Автор предлагает исследовать причины такого поведения: перегрузку студентов, необходимость работать, финансовые трудности, обязанности по уходу за родственниками, плохое качество преподавания и инструментальное отношение к диплому.
Таким образом, LLM выступают своего рода зеркалом существующей университетской системы: они усиливают уже существующие противоречия.
Возникает новый цифровой разрыв
Использование LLM требует определённой цифровой, языковой и культурной компетентности. Более подготовленные и обеспеченные студенты способны получать от моделей значительно больше.
Особенно важным автор считает появление ИИ-агентов: у одних студентов потенциально могут работать целые «команды» агентов, тогда как другие будут пользоваться бесплатными ограниченными моделями или не использовать их вообще. Это способно усилить существующее социальное неравенство.
Главная проблема — кризис доверия
Карриган выделяет четыре направления разрушения доверия:
Преподаватели → студенты: подозрение, что студенты используют LLM для мошенничества.
Студенты → преподаватели: подозрение, что преподаватели сами используют LLM, устанавливая при этом более жёсткие требования студентам.
Студенты → студенты: страх, что другие используют ИИ и получают конкурентное преимущество.
Преподаватели → преподаватели: подозрения в использовании ИИ при написании статей, рецензий, учебных материалов и т. д.
Особенно опасно то, что становится трудно установить связь между созданным контентом и его реальным автором. Хорошо написанное эссе уже не является надёжным свидетельством знаний студента, а качественная презентация — свидетельством того, что преподаватель сам проделал интеллектуальную работу.
Детекторы ИИ не решают проблему
Попытка определить по самому тексту, использовал ли его автор LLM, создаёт новую проблему: подозрение легко принять за доказательство.
Гладкий стиль может быть результатом полной генерации текста, а может быть результатом самостоятельной работы с последующей редактурой с помощью ИИ. Поэтому автор предлагает переходить от морального осуждения к диагностическому анализу: выяснять, почему возникло такое использование ИИ и что оно говорит об организации обучения.
Парадокс: университету нужны одновременно адаптация и интеграция ИИ
Карриган различает два направления:
Адаптация к
Автор Марк Карриган
рассматривает не столько технические возможности ИИ, сколько последствия массового распространения языковых моделей для доверия, оценки, образовательной культуры и самого университета.
Главный тезис: кризис высшего образования вызван не просто появлением ИИ, а тем, что языковые модели уже массово используются студентами и преподавателями, при этом не сформировались общие нормы их допустимого использования. В результате возникает многомерный кризис доверия.
Карриган предлагает не выбирать между запретом ИИ и его тотальной интеграцией, а использовать стратегию «недостаточной интеграции» (strategic under-integration) — двигаться вперед постепенно, сохраняя возможность менять курс по мере развития технологий.
Проблема не столько в «ИИ», сколько в конкретном программном обеспечении
Автор призывает осторожнее употреблять термин «искусственный интеллект». Он слишком широк: под ним смешиваются LLM, рекомендательные алгоритмы, системы прогнозирования, генеративные инструменты и совершенно разные технологии.
Для университетов практичнее говорить о конкретных языковых моделях и конкретных сценариях их использования. Это позволяет обсуждать реальные проблемы, а не гипотетический «сверхинтеллект».
При этом LLM могут выполнять две противоположные функции:
когнитивное усиление — помогать человеку думать, исследовать, анализировать;
когнитивный аутсорсинг — выполнять интеллектуальную работу вместо человека.
Поэтому сама технология не является автоматически ни «хорошей», ни «плохой» для образования: результат зависит от того, как именно её используют.
ИИ обнаружил старые проблемы университетов
Массовое использование LLM нельзя объяснять только тем, что студенты «ленивы» или хотят списывать. Автор предлагает исследовать причины такого поведения: перегрузку студентов, необходимость работать, финансовые трудности, обязанности по уходу за родственниками, плохое качество преподавания и инструментальное отношение к диплому.
Таким образом, LLM выступают своего рода зеркалом существующей университетской системы: они усиливают уже существующие противоречия.
Возникает новый цифровой разрыв
Использование LLM требует определённой цифровой, языковой и культурной компетентности. Более подготовленные и обеспеченные студенты способны получать от моделей значительно больше.
Особенно важным автор считает появление ИИ-агентов: у одних студентов потенциально могут работать целые «команды» агентов, тогда как другие будут пользоваться бесплатными ограниченными моделями или не использовать их вообще. Это способно усилить существующее социальное неравенство.
Главная проблема — кризис доверия
Карриган выделяет четыре направления разрушения доверия:
Преподаватели → студенты: подозрение, что студенты используют LLM для мошенничества.
Студенты → преподаватели: подозрение, что преподаватели сами используют LLM, устанавливая при этом более жёсткие требования студентам.
Студенты → студенты: страх, что другие используют ИИ и получают конкурентное преимущество.
Преподаватели → преподаватели: подозрения в использовании ИИ при написании статей, рецензий, учебных материалов и т. д.
Особенно опасно то, что становится трудно установить связь между созданным контентом и его реальным автором. Хорошо написанное эссе уже не является надёжным свидетельством знаний студента, а качественная презентация — свидетельством того, что преподаватель сам проделал интеллектуальную работу.
Детекторы ИИ не решают проблему
Попытка определить по самому тексту, использовал ли его автор LLM, создаёт новую проблему: подозрение легко принять за доказательство.
Гладкий стиль может быть результатом полной генерации текста, а может быть результатом самостоятельной работы с последующей редактурой с помощью ИИ. Поэтому автор предлагает переходить от морального осуждения к диагностическому анализу: выяснять, почему возникло такое использование ИИ и что оно говорит об организации обучения.
Парадокс: университету нужны одновременно адаптация и интеграция ИИ
Карриган различает два направления:
Адаптация к
ИИ — реакция на уже происходящее:
сохранить достоверность оценки;
установить понятные правила;
определить допустимые способы использования;
реагировать на нарушения.
Интеграция ИИ — подготовка образования к будущему:
преподавать с использованием LLM;
учить студентов работать с ними;
менять задания так, чтобы их образовательная ценность не зависела от запрета ИИ;
развивать ИИ-грамотность;
экспериментировать с новыми педагогическими моделями.
Парадокс состоит в том, что каждое направление частично подрывает другое. Сильная адаптация приводит к запретам и контролю, что мешает экспериментировать с ИИ. А быстрая интеграция может сделать университет чрезмерно зависимым от конкретных коммерческих технологий.
Почему автор не предлагает просто «внедрить ИИ»
Экономическая и технологическая среда слишком нестабильна. Модели быстро меняются, меняются их цены, возможности и коммерческие стратегии компаний. Поэтому построение долгосрочной университетской инфраструктуры вокруг конкретных коммерческих продуктов рискованно.
В частности, автор рассматривает open-weight модели как потенциальную часть долгосрочной стратегии, позволяющей университетам снизить зависимость от технологических гигантов, но подчёркивает, что сами по себе они не являются готовым решением.
8. Предлагаемая модель
Автор предлагает последовательность из трёх уровней: На краткосрочном горизонте - Адаптация с задачей сохранить достоверность образования и оценки, на среднесрочном - Интеграция - научиться использовать LLM в преподавании и обучении, в долгосрочной перспективе - Развитие институциональной способности - создать университет, способный постоянно адаптироваться к технологическим изменениям
При этом третий уровень — наиболее принципиален. Университету нужна не одна «правильная политика ИИ», а организационная способность постоянно пересматривать свои практики.
Что такое «стратегическая недостаточная интеграция»
Это попытка найти середину между двумя крайностями:
не: «Запретим ИИ и вернёмся к прежней системе»
и не: «Интегрируем ИИ во все процессы прямо сейчас».
Вместо этого предлагается:
признавать массовое использование LLM;
устанавливать минимально необходимые правила;
экспериментировать с педагогикой;
сохранять возможность отказаться от конкретных технологий;
не привязывать учебные программы к конкретным продуктам;
развивать коллективное понимание и доверие;
укреплять способность университета адаптироваться к новым изменениям.
Проблема университета ≠ «студенты используют ChatGPT».
По Карригану, проблема выглядит скорее так: массовое распространение LLM + отсутствие общих норм → неопределённость → подозрения → разрушение доверия → угроза валидности оценки и ценности диплома.
А стратегический ответ: адаптация → постепенная интеграция → развитие институциональной способности постоянно адаптироваться.
Именно поэтому название «кризис ИИ» у Карригана несколько обманчиво: в центре его анализа находится не технология как таковая, а кризис отношений, норм, доверия и способности университета коллективно управлять изменениями.
Читать на английском https://manchester.pressbooks.pub/the-ai-crisis-in-higher-education/
сохранить достоверность оценки;
установить понятные правила;
определить допустимые способы использования;
реагировать на нарушения.
Интеграция ИИ — подготовка образования к будущему:
преподавать с использованием LLM;
учить студентов работать с ними;
менять задания так, чтобы их образовательная ценность не зависела от запрета ИИ;
развивать ИИ-грамотность;
экспериментировать с новыми педагогическими моделями.
Парадокс состоит в том, что каждое направление частично подрывает другое. Сильная адаптация приводит к запретам и контролю, что мешает экспериментировать с ИИ. А быстрая интеграция может сделать университет чрезмерно зависимым от конкретных коммерческих технологий.
Почему автор не предлагает просто «внедрить ИИ»
Экономическая и технологическая среда слишком нестабильна. Модели быстро меняются, меняются их цены, возможности и коммерческие стратегии компаний. Поэтому построение долгосрочной университетской инфраструктуры вокруг конкретных коммерческих продуктов рискованно.
В частности, автор рассматривает open-weight модели как потенциальную часть долгосрочной стратегии, позволяющей университетам снизить зависимость от технологических гигантов, но подчёркивает, что сами по себе они не являются готовым решением.
8. Предлагаемая модель
Автор предлагает последовательность из трёх уровней: На краткосрочном горизонте - Адаптация с задачей сохранить достоверность образования и оценки, на среднесрочном - Интеграция - научиться использовать LLM в преподавании и обучении, в долгосрочной перспективе - Развитие институциональной способности - создать университет, способный постоянно адаптироваться к технологическим изменениям
При этом третий уровень — наиболее принципиален. Университету нужна не одна «правильная политика ИИ», а организационная способность постоянно пересматривать свои практики.
Что такое «стратегическая недостаточная интеграция»
Это попытка найти середину между двумя крайностями:
не: «Запретим ИИ и вернёмся к прежней системе»
и не: «Интегрируем ИИ во все процессы прямо сейчас».
Вместо этого предлагается:
признавать массовое использование LLM;
устанавливать минимально необходимые правила;
экспериментировать с педагогикой;
сохранять возможность отказаться от конкретных технологий;
не привязывать учебные программы к конкретным продуктам;
развивать коллективное понимание и доверие;
укреплять способность университета адаптироваться к новым изменениям.
Проблема университета ≠ «студенты используют ChatGPT».
По Карригану, проблема выглядит скорее так: массовое распространение LLM + отсутствие общих норм → неопределённость → подозрения → разрушение доверия → угроза валидности оценки и ценности диплома.
А стратегический ответ: адаптация → постепенная интеграция → развитие институциональной способности постоянно адаптироваться.
Именно поэтому название «кризис ИИ» у Карригана несколько обманчиво: в центре его анализа находится не технология как таковая, а кризис отношений, норм, доверия и способности университета коллективно управлять изменениями.
Читать на английском https://manchester.pressbooks.pub/the-ai-crisis-in-higher-education/
Обзор технологических стартапов в образовании от 04.10.2026
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Европейский инвестиционный фонд (ЕИФ) инвестирует 50 млн евро в фонд Pitagora для расширения доступного студенческого жилья в Италии
Читать 2мин https://vk.ru/wall-87570467\_6375
Частная школа, в которой обучаются дети от 3 лет (детский сад) до 12-го класса, Академия Брукфилд начинает кампанию по сбору средств в размере 12 миллионов долларов на расширение
Читать 4мин https://vk.ru/wall-87570467\_6379
Edtech-стартап Arivihan предлагает персонализированное обучение на основе ИИ для учащихся в городах второго уровня и сельской местности, включая репетиторство, решение вопросов и учебные планы для 12 класса, CBSE и NEET и привлекает 96 крор рупий (10 миллионов долларов) при оценке в 570 крор рупий
Читать 2мин https://vk.ru/wall-87570467\_6366
Платформа для музыкального образования и игр Notey привлекла 3 млн долларов в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467\_6370
Создатель платформы для ученичества GoSprout привлек 1,2 миллиона долларов для расширения возможностей обучения и повышения экономической мобильности
Читать 4мин https://vk.ru/wall-87570467\_6387
Alive App, индийская платформа для создания и распространения новых впечатлений на основе ИИ, привлекла 1 млн долларов США в рамках посевного раунда финансирования
Читать 4мин https://vk.ru/wall-87570467\_6377
Компания H2 Analytics получила 800 000 долларов от FedDev на улучшение своей платформы для обучения в оборонной сфере
Читать 2мин https://vk.ru/wall-87570467\_6370
Microsoft поддерживает керальскую образовательную технологическую компанию Wayvida, предоставив ей 3,25 крор рупий (337,4 тыс. долларов США) для ускорения инноваций в области ИИ
Читать 3мин https://vk.ru/wall-87570467\_6385
Российский образовательный ИИ-стартап, ИИ-ассистент для учителей “Обучай” привлек 5 млн рублей от ФРИИ
Читать 1мин https://vk.ru/wall-87570467\_6373
Посевной раунд финансирования - Shizhu Technology, платформы образовательных технологий, разрабатывающая адаптивное программное обеспечение для обучения с использованием ИИ и отслеживания движений глаз
Читать 5мин https://vk.ru/wall-87570467\_6368
KJ Holdings инвестирует в фонд Do Ventures II, который изучет деловое партнерство и инвестиционные возможности, особенно в сфере образования и развития рабочей силы
Читать 2мин https://vk.ru/wall-87570467\_6383
Standard Chartered выделил 9 миллионов кенийских шиллингов (примерно 70 000 долларов США) семи технологическим стартапам, возглавляемым женщинами, в Кении, среди которых ChipuRobo продает комплекты местного производства для обучения искусственному интеллекту и робототехнике и Uptyke Consulting разрабатывает цифровые обучающие инструменты на основе ИИ для студентов с ограниченными возможностями
Читать 5мин https://vk.ru/wall-87570467_6381
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Европейский инвестиционный фонд (ЕИФ) инвестирует 50 млн евро в фонд Pitagora для расширения доступного студенческого жилья в Италии
Читать 2мин https://vk.ru/wall-87570467\_6375
Частная школа, в которой обучаются дети от 3 лет (детский сад) до 12-го класса, Академия Брукфилд начинает кампанию по сбору средств в размере 12 миллионов долларов на расширение
Читать 4мин https://vk.ru/wall-87570467\_6379
Edtech-стартап Arivihan предлагает персонализированное обучение на основе ИИ для учащихся в городах второго уровня и сельской местности, включая репетиторство, решение вопросов и учебные планы для 12 класса, CBSE и NEET и привлекает 96 крор рупий (10 миллионов долларов) при оценке в 570 крор рупий
Читать 2мин https://vk.ru/wall-87570467\_6366
Платформа для музыкального образования и игр Notey привлекла 3 млн долларов в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467\_6370
Создатель платформы для ученичества GoSprout привлек 1,2 миллиона долларов для расширения возможностей обучения и повышения экономической мобильности
Читать 4мин https://vk.ru/wall-87570467\_6387
Alive App, индийская платформа для создания и распространения новых впечатлений на основе ИИ, привлекла 1 млн долларов США в рамках посевного раунда финансирования
Читать 4мин https://vk.ru/wall-87570467\_6377
Компания H2 Analytics получила 800 000 долларов от FedDev на улучшение своей платформы для обучения в оборонной сфере
Читать 2мин https://vk.ru/wall-87570467\_6370
Microsoft поддерживает керальскую образовательную технологическую компанию Wayvida, предоставив ей 3,25 крор рупий (337,4 тыс. долларов США) для ускорения инноваций в области ИИ
Читать 3мин https://vk.ru/wall-87570467\_6385
Российский образовательный ИИ-стартап, ИИ-ассистент для учителей “Обучай” привлек 5 млн рублей от ФРИИ
Читать 1мин https://vk.ru/wall-87570467\_6373
Посевной раунд финансирования - Shizhu Technology, платформы образовательных технологий, разрабатывающая адаптивное программное обеспечение для обучения с использованием ИИ и отслеживания движений глаз
Читать 5мин https://vk.ru/wall-87570467\_6368
KJ Holdings инвестирует в фонд Do Ventures II, который изучет деловое партнерство и инвестиционные возможности, особенно в сфере образования и развития рабочей силы
Читать 2мин https://vk.ru/wall-87570467\_6383
Standard Chartered выделил 9 миллионов кенийских шиллингов (примерно 70 000 долларов США) семи технологическим стартапам, возглавляемым женщинами, в Кении, среди которых ChipuRobo продает комплекты местного производства для обучения искусственному интеллекту и робототехнике и Uptyke Consulting разрабатывает цифровые обучающие инструменты на основе ИИ для студентов с ограниченными возможностями
Читать 5мин https://vk.ru/wall-87570467_6381
Исследование Университета Мэриленда показало, что студенты, которым предлагали репетитора на основе ИИ, получали более низкие оценки и проявляли меньшую заинтересованность в учебных материалах
_Автор: Эмма Томпсон_
Рандомизированное исследование Университета Мэриленда с участием 2379 студентов и 30 преподавателей показало неожиданный результат: предоставление студентам доступа к встроенному в курс ИИ-репетитору на базе GPT-4o было связано не с улучшением, а с ухудшением учебных результатов и снижением вовлечённости.
оценки студентов с доступом к ИИ были примерно на 4 процентных пункта ниже — разница около 0,37 стандартного отклонения;
использование университетской LMS существенно снизилось — на 0,90 стандартного отклонения;
уменьшились просмотры страниц и число активных учебных дней;
самим ИИ-репетитором воспользовались лишь около 15% студентов;
почти 74% запросов были направлены на получение информации, объяснений или готовых решений;
только менее 1% запросов предполагали получение обратной связи по собственной попытке решения — то есть использование ИИ именно как репетитора.
Проблема, по мнению исследователей, может заключаться не столько в самом ИИ, сколько в замещении им других учебных активностей. ИИ оказался для студентов преимущественно инструментом получения ответов, а не средством активного обучения.
Даже при использовании ИИ лишь 15% студентов сам факт предоставления доступа к нему оказался связан с изменением поведения всей экспериментальной группы. Возможно, появление официально одобренного университетом ИИ изменило отношение студентов к использованию генеративного ИИ вообще.
Исследование ставит под сомнение простую модель:
«Добавим AI tutor в LMS → обучение станет эффективнее».
Более вероятна другая зависимость:
AI-инструмент → изменение учебного поведения → замещение традиционных активностей → изменение результатов обучения.
Поэтому при оценке AI в образовании необходимо измерять не только «пользовался ли студент ИИ», но и что именно ИИ заменил: чтение, решение задач, общение с преподавателем, самостоятельную попытку, дискуссию или прохождение учебных материалов.
При этом исследование не доказывает, что AI tutoring в целом вреден. Большинство преподавателей использовали режим прямых ответов, а не более педагогически ориентированный режим, направляющий студента к самостоятельному решению. Кроме того, исследование измеряло эффект предоставления доступа, а не эффект активного использования ИИ.
Исследование показывает потенциальный конфликт между AI как «репетитором» и AI как «машиной готовых ответов». Если студент использует первый вариант — ИИ может усиливать обучение; если второй — он способен вытеснять именно те действия, через которые обучение и происходит.
Читать 4мин https://dzen.ru/a/asKIUxt4aEBQST5-
_Автор: Эмма Томпсон_
Рандомизированное исследование Университета Мэриленда с участием 2379 студентов и 30 преподавателей показало неожиданный результат: предоставление студентам доступа к встроенному в курс ИИ-репетитору на базе GPT-4o было связано не с улучшением, а с ухудшением учебных результатов и снижением вовлечённости.
оценки студентов с доступом к ИИ были примерно на 4 процентных пункта ниже — разница около 0,37 стандартного отклонения;
использование университетской LMS существенно снизилось — на 0,90 стандартного отклонения;
уменьшились просмотры страниц и число активных учебных дней;
самим ИИ-репетитором воспользовались лишь около 15% студентов;
почти 74% запросов были направлены на получение информации, объяснений или готовых решений;
только менее 1% запросов предполагали получение обратной связи по собственной попытке решения — то есть использование ИИ именно как репетитора.
Проблема, по мнению исследователей, может заключаться не столько в самом ИИ, сколько в замещении им других учебных активностей. ИИ оказался для студентов преимущественно инструментом получения ответов, а не средством активного обучения.
Даже при использовании ИИ лишь 15% студентов сам факт предоставления доступа к нему оказался связан с изменением поведения всей экспериментальной группы. Возможно, появление официально одобренного университетом ИИ изменило отношение студентов к использованию генеративного ИИ вообще.
Исследование ставит под сомнение простую модель:
«Добавим AI tutor в LMS → обучение станет эффективнее».
Более вероятна другая зависимость:
AI-инструмент → изменение учебного поведения → замещение традиционных активностей → изменение результатов обучения.
Поэтому при оценке AI в образовании необходимо измерять не только «пользовался ли студент ИИ», но и что именно ИИ заменил: чтение, решение задач, общение с преподавателем, самостоятельную попытку, дискуссию или прохождение учебных материалов.
При этом исследование не доказывает, что AI tutoring в целом вреден. Большинство преподавателей использовали режим прямых ответов, а не более педагогически ориентированный режим, направляющий студента к самостоятельному решению. Кроме того, исследование измеряло эффект предоставления доступа, а не эффект активного использования ИИ.
Исследование показывает потенциальный конфликт между AI как «репетитором» и AI как «машиной готовых ответов». Если студент использует первый вариант — ИИ может усиливать обучение; если второй — он способен вытеснять именно те действия, через которые обучение и происходит.
Читать 4мин https://dzen.ru/a/asKIUxt4aEBQST5-
Стартап в сфере образовательных технологий Glite запускает приложение для повышения уровня владения английским языком
_Автор: Пай Камау_
Glite основан известным предпринимателем Vassili Philippov (основателей MEL Science)
Glite представляет интерес прежде всего как AI-native модель языкового обучения для уровня B1–C1, где ИИ используется не просто как разговорный партнер, а как система персонализации учебной траектории.
40 млн точек данных от более чем 3 млн учащихся позволяют строить модели типичных образовательных траекторий и выявлять индивидуальные пробелы. Это потенциально сильнее традиционной модели «один курс — одна программа для всех».
Перспективен выбор недообслуживаемого сегмента intermediate/advanced. Большинство языковых приложений действительно ориентированы на начинающих, тогда как переход от «могу объясниться» к свободному профессиональному и культурному владению языком гораздо сложнее автоматизировать.
При этом ключевой вопрос — не объем данных сам по себе, а их педагогическая ценность. Нужно доказать, что персонализация Glite действительно приводит к росту беглости, понимания и способности действовать в реальных ситуациях, а не только улучшает результаты внутри приложения.
Это интересный пример перехода от AI tutor → AI learning system: ИИ не просто отвечает ученику, а пытается моделировать его состояние знаний и выбирать следующий оптимальный шаг обучения.
Потенциально сильный проект на пересечении Learning Analytics + AI tutor + adaptive learning. Его наиболее ценная часть — попытка создать модель индивидуальной траектории обучения на огромном массиве данных. Если эта модель действительно предсказывает, _что конкретному учащемуся нужно изучать дальше_, у проекта может быть гораздо более широкая технологическая платформа, чем просто приложение для английского языка.
Читать 3мин https://dzen.ru/a/asKjxM5c9AY48mWZ
_Автор: Пай Камау_
Glite основан известным предпринимателем Vassili Philippov (основателей MEL Science)
Glite представляет интерес прежде всего как AI-native модель языкового обучения для уровня B1–C1, где ИИ используется не просто как разговорный партнер, а как система персонализации учебной траектории.
40 млн точек данных от более чем 3 млн учащихся позволяют строить модели типичных образовательных траекторий и выявлять индивидуальные пробелы. Это потенциально сильнее традиционной модели «один курс — одна программа для всех».
Перспективен выбор недообслуживаемого сегмента intermediate/advanced. Большинство языковых приложений действительно ориентированы на начинающих, тогда как переход от «могу объясниться» к свободному профессиональному и культурному владению языком гораздо сложнее автоматизировать.
При этом ключевой вопрос — не объем данных сам по себе, а их педагогическая ценность. Нужно доказать, что персонализация Glite действительно приводит к росту беглости, понимания и способности действовать в реальных ситуациях, а не только улучшает результаты внутри приложения.
Это интересный пример перехода от AI tutor → AI learning system: ИИ не просто отвечает ученику, а пытается моделировать его состояние знаний и выбирать следующий оптимальный шаг обучения.
Потенциально сильный проект на пересечении Learning Analytics + AI tutor + adaptive learning. Его наиболее ценная часть — попытка создать модель индивидуальной траектории обучения на огромном массиве данных. Если эта модель действительно предсказывает, _что конкретному учащемуся нужно изучать дальше_, у проекта может быть гораздо более широкая технологическая платформа, чем просто приложение для английского языка.
Читать 3мин https://dzen.ru/a/asKjxM5c9AY48mWZ
Три логики адаптации для будущего человека и ИИ
_Автор: Джулиан Стодд_
Джулиан Стодд описывает три фундаментальные «логики» адаптации к ИИ. Он уводит разговор от привычной модели «ИИ как инструмент, который мы внедряем в организацию».
Описаны изменения организационной структуры (Логика 1), отношений человека и ИИ (Логика 2) и социального контекста (Логика 3).
Особенно важен переход от «ИИ как технологии» к «ИИ как участнику отношений» и далее — к изменению самого социального контекста.
Однако остаётся вопрос: что происходит с самим человеком как субъектом познания?
Возможно, существует Логика 4 — когнитивный сдвиг: изменение не только того, как мы внедряем ИИ и взаимодействуем с ним, но и того, как человек думает, учится, принимает решения, формирует знания и понимает собственную компетентность.
Здесь возникает наиболее глубокая проблема ИИ нативного общества. Если ИИ становится постоянным соавтором мышления, то меняется не только организация или социальный контекст — меняется сама граница между «моим знанием» и «знанием, произведённым совместно с ИИ».
Вопрос будущего человека — уже не просто «как адаптироваться к ИИ?», а какие человеческие когнитивные функции мы хотим сохранить, какие передать ИИ и какие новые функции должны возникнуть в системе «человек + ИИ».
И в этом смысле «Логика 3 — emergence (появляющаяся)» может оказаться не последней логикой, а переходом к ещё более глубокому уровню: изменению самого субъекта деятельности.
Читать 4мин https://dzen.ru/a/asUqIEWqhTzKEWQQ
_Автор: Джулиан Стодд_
Джулиан Стодд описывает три фундаментальные «логики» адаптации к ИИ. Он уводит разговор от привычной модели «ИИ как инструмент, который мы внедряем в организацию».
Описаны изменения организационной структуры (Логика 1), отношений человека и ИИ (Логика 2) и социального контекста (Логика 3).
Особенно важен переход от «ИИ как технологии» к «ИИ как участнику отношений» и далее — к изменению самого социального контекста.
Однако остаётся вопрос: что происходит с самим человеком как субъектом познания?
Возможно, существует Логика 4 — когнитивный сдвиг: изменение не только того, как мы внедряем ИИ и взаимодействуем с ним, но и того, как человек думает, учится, принимает решения, формирует знания и понимает собственную компетентность.
Здесь возникает наиболее глубокая проблема ИИ нативного общества. Если ИИ становится постоянным соавтором мышления, то меняется не только организация или социальный контекст — меняется сама граница между «моим знанием» и «знанием, произведённым совместно с ИИ».
Вопрос будущего человека — уже не просто «как адаптироваться к ИИ?», а какие человеческие когнитивные функции мы хотим сохранить, какие передать ИИ и какие новые функции должны возникнуть в системе «человек + ИИ».
И в этом смысле «Логика 3 — emergence (появляющаяся)» может оказаться не последней логикой, а переходом к ещё более глубокому уровню: изменению самого субъекта деятельности.
Читать 4мин https://dzen.ru/a/asUqIEWqhTzKEWQQ
Дзен | Статьи
Три логики адаптации для будущего человека и ИИ
Статья автора «DigEd» в Дзене ✍: Автор: Джулиан Стодд Эта статья представляет собой новую версию работы, которую я впервые набросал на прошлой неделе и в которой речь шла о «трех измерениях перемен».
Дело не только в навыках работы с ИИ
_Автор Майкл Фрид_
ИИ-грамотность сама по себе не гарантирует трудоустройство: студентам необходимо уметь убедительно демонстрировать работодателю, какие именно навыки работы с ИИ они приобрели и как применяли их на практике.
Большинство преподавателей считают, что карьерные центры должны помогать студентам представлять ИИ-навыки в резюме и на собеседованиях; часть считает эту ответственность совместной, и лишь около 20% возлагают её прежде всего на преподавателей.
При этом в условиях роста требований работодателей к выпускникам роль университета должна заключаться не только в обучении ИИ-инструментам, но и в переводе учебного опыта в понятные работодателю компетенции.
Преподаватели могут делать это без превращения в карьерных консультантов — например, через короткие рефлексивные задания после учебных проектов: студент должен сформулировать, чему он научился, какие ИИ-инструменты использовал и какую проблему с их помощью решил.
Таким образом, возникает связка «освоил ИИ → применил → осмыслил результат → научился доказательно предъявлять навык работодателю».
В эпоху ИИ университету недостаточно научить студента пользоваться ИИ. Нужно научить его доказывать ценность этого умения на рынке труда.
Читать 2мин https://dzen.ru/a/asezUWWGxQZhqV1o
_Автор Майкл Фрид_
ИИ-грамотность сама по себе не гарантирует трудоустройство: студентам необходимо уметь убедительно демонстрировать работодателю, какие именно навыки работы с ИИ они приобрели и как применяли их на практике.
Большинство преподавателей считают, что карьерные центры должны помогать студентам представлять ИИ-навыки в резюме и на собеседованиях; часть считает эту ответственность совместной, и лишь около 20% возлагают её прежде всего на преподавателей.
При этом в условиях роста требований работодателей к выпускникам роль университета должна заключаться не только в обучении ИИ-инструментам, но и в переводе учебного опыта в понятные работодателю компетенции.
Преподаватели могут делать это без превращения в карьерных консультантов — например, через короткие рефлексивные задания после учебных проектов: студент должен сформулировать, чему он научился, какие ИИ-инструменты использовал и какую проблему с их помощью решил.
Таким образом, возникает связка «освоил ИИ → применил → осмыслил результат → научился доказательно предъявлять навык работодателю».
В эпоху ИИ университету недостаточно научить студента пользоваться ИИ. Нужно научить его доказывать ценность этого умения на рынке труда.
Читать 2мин https://dzen.ru/a/asezUWWGxQZhqV1o
Выпускники вузов, чьи специальности наиболее подвержены влиянию ИИ, сталкиваются с очередной Великой рецессией
_Авторы: Анника Берени и Жаклин Элиас_
Новое рабочее исследование Бюро переписи населения США показывает, что ИИ уже заметно ухудшает старт карьеры недавних выпускников вузов по специальностям, наиболее подверженным воздействию генеративного ИИ.
Выпускники из 10% наиболее затронутых ИИ специальностей имеют примерно на 5 п.п. меньшую вероятность трудоустройства в первые три месяца после выпуска по сравнению с выпускниками менее затронутых направлений.
Их первоначальный заработок оказался на 13% ниже. Через два года разрыв сокращается, но остается около 5%.
Особенно сильно страдают выпускники IT и компьютерных специальностей, которые реже находят работу в традиционных IT и профессионально-технических секторах.
Многие вынуждены переходить в розничную торговлю, сферу услуг, гостиничный и ресторанный бизнес — значительно менее оплачиваемые отрасли. Этот межотраслевой переход объясняет примерно половину снижения доходов.
Авторы сравнивают масштаб первоначального эффекта с шоком, который испытывали выпускники во время Великой рецессии 2008 года, хотя природа нынешнего кризиса иная: он концентрируется прежде всего на молодых специалистах из наиболее AI-exposed областей.
Пока неизвестно, является ли это временным эффектом адаптации рынка или началом долгосрочного ухудшения карьерных траекторий. Авторы планируют изучать, как меняются требования работодателей и каким образом компании используют ИИ для трансформации и замещения рабочих задач.
ИИ начинает воздействовать на рынок труда не только через сокращение существующих рабочих мест, но и через сужение входа в профессию для молодых специалистов. Это особенно важно для образования: вопрос уже не просто в том, _какие профессии заменит ИИ_, а в том, какие образовательные траектории перестают обеспечивать выпускнику привычный «входной билет» на рынок труда.
Ценность специальности может теперь определяться не только ее содержанием, но и тем, насколько хорошо она защищает первый карьерный переход выпускника в условиях AI-native рынка.
Читать 4мин https://dzen.ru/a/asfDorIm1zaF2CFF
_Авторы: Анника Берени и Жаклин Элиас_
Новое рабочее исследование Бюро переписи населения США показывает, что ИИ уже заметно ухудшает старт карьеры недавних выпускников вузов по специальностям, наиболее подверженным воздействию генеративного ИИ.
Выпускники из 10% наиболее затронутых ИИ специальностей имеют примерно на 5 п.п. меньшую вероятность трудоустройства в первые три месяца после выпуска по сравнению с выпускниками менее затронутых направлений.
Их первоначальный заработок оказался на 13% ниже. Через два года разрыв сокращается, но остается около 5%.
Особенно сильно страдают выпускники IT и компьютерных специальностей, которые реже находят работу в традиционных IT и профессионально-технических секторах.
Многие вынуждены переходить в розничную торговлю, сферу услуг, гостиничный и ресторанный бизнес — значительно менее оплачиваемые отрасли. Этот межотраслевой переход объясняет примерно половину снижения доходов.
Авторы сравнивают масштаб первоначального эффекта с шоком, который испытывали выпускники во время Великой рецессии 2008 года, хотя природа нынешнего кризиса иная: он концентрируется прежде всего на молодых специалистах из наиболее AI-exposed областей.
Пока неизвестно, является ли это временным эффектом адаптации рынка или началом долгосрочного ухудшения карьерных траекторий. Авторы планируют изучать, как меняются требования работодателей и каким образом компании используют ИИ для трансформации и замещения рабочих задач.
ИИ начинает воздействовать на рынок труда не только через сокращение существующих рабочих мест, но и через сужение входа в профессию для молодых специалистов. Это особенно важно для образования: вопрос уже не просто в том, _какие профессии заменит ИИ_, а в том, какие образовательные траектории перестают обеспечивать выпускнику привычный «входной билет» на рынок труда.
Ценность специальности может теперь определяться не только ее содержанием, но и тем, насколько хорошо она защищает первый карьерный переход выпускника в условиях AI-native рынка.
Читать 4мин https://dzen.ru/a/asfDorIm1zaF2CFF
Обзор технологических стартапов в образовании от 11.10.2026
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Modern Classrooms Project (Проект «Современные классы») собрал 12 миллионов долларов на создание бесплатной учебной программы по математике, основанной на когнитивной науке
Читать 3мин https://vk.ru/wall-87570467\_6394
Платформа для обучения на практике для соискателей ИТ-карьеры byteXL привлекла 9 миллионов долларов
Читать 1мин https://vk.ru/wall-87570467\_6392
Платформа на основе искусственного интеллекта, которая связывает студентов, школы и колледжи, Kollegio, основанная студентами колледжа Эйтчисон, привлекла более 5,3 млн долларов в рамках раунда финансирования перед серией А
Читать 2мин https://vk.ru/wall-87570467\_6408
20-летний казахстанец привлек $3 млн в свой AI-стартап Riasm, который создает модели для проверки и анализа научных знаний
Читать 2мин https://vk.ru/wall-87570467\_6396
YouTube и Google.org выделяют 2,5 миллиона долларов на расширение бесплатной учебной программы Class CrunchLabs
Читать 2мин https://vk.ru/wall-87570467\_6402
ChipMango привлекла 1,9 миллиона долларов для масштабирования полупроводниковой инженерии и инноваций в области периферийного ИИ и подготовки инженерных кадров
Читать 4мин https://vk.ru/wall-87570467\_6410
Посевной раунд финансирования Cone ai (970 тыс. долларов), который предоставляет инструменты обучения на основе ИИ, помогающие авторам превращать идеи в практические материалы
Читать 1мин https://vk.ru/wall-87570467\_6390
Финансово-образовательный стартап Okulyo привлек 700 000 долларов в раунде финансирования, возглавляемом основателем ebebek Халилом Эрдогмушем
Читать 1мин https://vk.ru/wall-87570467\_6406
Чилийская платформа для поиска работы для студентов Tasky завершила инвестиционный раунд с ECR Group и достигла оценки в 5 миллионов долларов
Читать 3мин https://vk.ru/wall-87570467\_6404
Компания MOT, управляющая карьерой манга-художников и управляющая онлайн-школой манги «Какикоми», привлекла финансирование — инвестиции от DBJ Capital и Shochiku Ventures
Читать 2мин https://vk.ru/wall-87570467\_6400
Победители Astana Hub Battle 2026 получили по 25 000 долларов каждый, среди которых экосистема проектного и соревновательного обучения для будущих ученых и инженеров CYBERPACK.AI.
Читать 1мин https://vk.ru/wall-87570467_6398
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Modern Classrooms Project (Проект «Современные классы») собрал 12 миллионов долларов на создание бесплатной учебной программы по математике, основанной на когнитивной науке
Читать 3мин https://vk.ru/wall-87570467\_6394
Платформа для обучения на практике для соискателей ИТ-карьеры byteXL привлекла 9 миллионов долларов
Читать 1мин https://vk.ru/wall-87570467\_6392
Платформа на основе искусственного интеллекта, которая связывает студентов, школы и колледжи, Kollegio, основанная студентами колледжа Эйтчисон, привлекла более 5,3 млн долларов в рамках раунда финансирования перед серией А
Читать 2мин https://vk.ru/wall-87570467\_6408
20-летний казахстанец привлек $3 млн в свой AI-стартап Riasm, который создает модели для проверки и анализа научных знаний
Читать 2мин https://vk.ru/wall-87570467\_6396
YouTube и Google.org выделяют 2,5 миллиона долларов на расширение бесплатной учебной программы Class CrunchLabs
Читать 2мин https://vk.ru/wall-87570467\_6402
ChipMango привлекла 1,9 миллиона долларов для масштабирования полупроводниковой инженерии и инноваций в области периферийного ИИ и подготовки инженерных кадров
Читать 4мин https://vk.ru/wall-87570467\_6410
Посевной раунд финансирования Cone ai (970 тыс. долларов), который предоставляет инструменты обучения на основе ИИ, помогающие авторам превращать идеи в практические материалы
Читать 1мин https://vk.ru/wall-87570467\_6390
Финансово-образовательный стартап Okulyo привлек 700 000 долларов в раунде финансирования, возглавляемом основателем ebebek Халилом Эрдогмушем
Читать 1мин https://vk.ru/wall-87570467\_6406
Чилийская платформа для поиска работы для студентов Tasky завершила инвестиционный раунд с ECR Group и достигла оценки в 5 миллионов долларов
Читать 3мин https://vk.ru/wall-87570467\_6404
Компания MOT, управляющая карьерой манга-художников и управляющая онлайн-школой манги «Какикоми», привлекла финансирование — инвестиции от DBJ Capital и Shochiku Ventures
Читать 2мин https://vk.ru/wall-87570467\_6400
Победители Astana Hub Battle 2026 получили по 25 000 долларов каждый, среди которых экосистема проектного и соревновательного обучения для будущих ученых и инженеров CYBERPACK.AI.
Читать 1мин https://vk.ru/wall-87570467_6398
Сопротивление ИИ не бесполезно. Оно полезно.
_Автор Марк Маккормак | Обзор EDUCAUSE_
Марк Маккормак утверждает, что повсеместное распространение ИИ не означает его автоматической полезности для высшего образования. Внедрять ИИ ради самого внедрения — значит рисковать качеством обучения, конфиденциальностью данных и фундаментальными ценностями образования.
Хотя 94% опрошенных специалистов высшего образования использовали ИИ в работе за последние полгода, сохраняются опасения по поводу дезинформации, использования данных без согласия, плагиата и возможного снижения эффективности обучения.
Главный тезис автора: сопротивление ИИ — не отрицание прогресса, а необходимый механизм критической оценки технологий. Оно помогает университетам осознанно определять, где ИИ действительно приносит пользу, а где может навредить.
Автор предлагает:
требовать доказательств образовательной и практической ценности ИИ-инструментов;
усиливать управление данными и кибербезопасность;
открыто обсуждать преимущества, ограничения и риски ИИ;
устанавливать понятные правила его использования преподавателями, студентами и сотрудниками;
согласовывать внедрение ИИ с миссией университета и конкретными целями обучения.
Университетам необходимо не безусловно принимать ИИ и не отвергать его, а сохранять право выбора. Критическое сопротивление становится инструментом ответственных инноваций, позволяя ставить образовательные цели и человеческие ценности выше технологической моды.
Читать 6мин https://dzen.ru/a/as5V-hjfDzxb0R43
_Автор Марк Маккормак | Обзор EDUCAUSE_
Марк Маккормак утверждает, что повсеместное распространение ИИ не означает его автоматической полезности для высшего образования. Внедрять ИИ ради самого внедрения — значит рисковать качеством обучения, конфиденциальностью данных и фундаментальными ценностями образования.
Хотя 94% опрошенных специалистов высшего образования использовали ИИ в работе за последние полгода, сохраняются опасения по поводу дезинформации, использования данных без согласия, плагиата и возможного снижения эффективности обучения.
Главный тезис автора: сопротивление ИИ — не отрицание прогресса, а необходимый механизм критической оценки технологий. Оно помогает университетам осознанно определять, где ИИ действительно приносит пользу, а где может навредить.
Автор предлагает:
требовать доказательств образовательной и практической ценности ИИ-инструментов;
усиливать управление данными и кибербезопасность;
открыто обсуждать преимущества, ограничения и риски ИИ;
устанавливать понятные правила его использования преподавателями, студентами и сотрудниками;
согласовывать внедрение ИИ с миссией университета и конкретными целями обучения.
Университетам необходимо не безусловно принимать ИИ и не отвергать его, а сохранять право выбора. Критическое сопротивление становится инструментом ответственных инноваций, позволяя ставить образовательные цели и человеческие ценности выше технологической моды.
Читать 6мин https://dzen.ru/a/as5V-hjfDzxb0R43
В мире LLM описание — это гиперссылка.
«Memex» прибыл, для всех, у кого хватит ума его увидеть.
Автор Майк Колфилд
показывает, как ИИ может выявлять неожиданные смысловые связи между произведениями, идеями и объектами на основе их содержательных описаний.
На примере фильмов «Брат с другой планеты» и «Бездельник» Колфилд демонстрирует, что фильмы с разными сюжетами и художественными целями могут иметь общие характеристики: свободное повествование, наблюдение за повседневной жизнью и монологи персонажей. ИИ помогает обнаружить это сходство, которое неочевидно при обычном поиске и стандартных рекомендациях.
Для этого автор разработал систему, которая формирует описания фильмов на основе сети из сотен тегов, а затем использует эти описания для поиска других произведений со схожими характеристиками.
Главная идея: в эпоху больших языковых моделей описание становится не просто характеристикой объекта, а инструментом обнаружения связей между ним и другими объектами. Чем точнее описание и удачнее выбран уровень обобщения, тем больше вероятность найти неожиданные аналогии и расширить собственный кругозор.
Автор связывает эту идею с концепцией Memex Ванневара Буша — гипотетической системы, позволяющей связывать знания и идеи, — и видит в ИИ возможность приблизиться к реализации этой концепции.
Ценность ИИ заключается не только в поиске известной информации или выдаче готовых ответов, но и в создании новых интеллектуальных связей. При этом обнаруженные аналогии требуют осмысленной оценки человеком: именно его знания и способность интерпретировать сходства позволяют превратить найденную связь в новое понимание.
Читать 8мин https://dzen.ru/a/as8eOigBShaVzeWN
«Memex» прибыл, для всех, у кого хватит ума его увидеть.
Автор Майк Колфилд
показывает, как ИИ может выявлять неожиданные смысловые связи между произведениями, идеями и объектами на основе их содержательных описаний.
На примере фильмов «Брат с другой планеты» и «Бездельник» Колфилд демонстрирует, что фильмы с разными сюжетами и художественными целями могут иметь общие характеристики: свободное повествование, наблюдение за повседневной жизнью и монологи персонажей. ИИ помогает обнаружить это сходство, которое неочевидно при обычном поиске и стандартных рекомендациях.
Для этого автор разработал систему, которая формирует описания фильмов на основе сети из сотен тегов, а затем использует эти описания для поиска других произведений со схожими характеристиками.
Главная идея: в эпоху больших языковых моделей описание становится не просто характеристикой объекта, а инструментом обнаружения связей между ним и другими объектами. Чем точнее описание и удачнее выбран уровень обобщения, тем больше вероятность найти неожиданные аналогии и расширить собственный кругозор.
Автор связывает эту идею с концепцией Memex Ванневара Буша — гипотетической системы, позволяющей связывать знания и идеи, — и видит в ИИ возможность приблизиться к реализации этой концепции.
Ценность ИИ заключается не только в поиске известной информации или выдаче готовых ответов, но и в создании новых интеллектуальных связей. При этом обнаруженные аналогии требуют осмысленной оценки человеком: именно его знания и способность интерпретировать сходства позволяют превратить найденную связь в новое понимание.
Читать 8мин https://dzen.ru/a/as8eOigBShaVzeWN
Философия упустила свой шанс
Автор: Джонатан Вейсберг
Большие языковые модели (LLM) дают академической философии возможность освободиться от неэффективной системы научных публикаций. ИИ уже способен быстро создавать статьи, соответствующие значительной части существующих академических стандартов, обнажая проблему ориентации науки на количество публикаций, а не на глубину понимания.
Вейсберг критикует журнальную систему за многолетние задержки, трудоёмкое рецензирование и необходимость искусственно представлять небольшие результаты как значительный научный вклад ради карьерного продвижения. По его мнению, вместо защиты этой системы академическому сообществу следует воспользоваться кризисом для её радикального пересмотра.
Главный тезис: если ИИ разрушит традиционную систему научных журналов, философия не исчезнет. Учёные смогут публиковать работы в интернете, обсуждать идеи и развивать исследования без издательских барьеров и обязательного традиционного рецензирования.
Автор призывает отказаться от гонки публикаций и метрик академической успешности в пользу главных задач учёного — мышления, познания, обмена идеями и преподавания. ИИ, таким образом, рассматривается не столько как угроза философии, сколько как шанс освободить её от бюрократических ограничений.
Читать 2мин https://dzen.ru/a/as8tEt7AE3uVwex3
Автор: Джонатан Вейсберг
Большие языковые модели (LLM) дают академической философии возможность освободиться от неэффективной системы научных публикаций. ИИ уже способен быстро создавать статьи, соответствующие значительной части существующих академических стандартов, обнажая проблему ориентации науки на количество публикаций, а не на глубину понимания.
Вейсберг критикует журнальную систему за многолетние задержки, трудоёмкое рецензирование и необходимость искусственно представлять небольшие результаты как значительный научный вклад ради карьерного продвижения. По его мнению, вместо защиты этой системы академическому сообществу следует воспользоваться кризисом для её радикального пересмотра.
Главный тезис: если ИИ разрушит традиционную систему научных журналов, философия не исчезнет. Учёные смогут публиковать работы в интернете, обсуждать идеи и развивать исследования без издательских барьеров и обязательного традиционного рецензирования.
Автор призывает отказаться от гонки публикаций и метрик академической успешности в пользу главных задач учёного — мышления, познания, обмена идеями и преподавания. ИИ, таким образом, рассматривается не столько как угроза философии, сколько как шанс освободить её от бюрократических ограничений.
Читать 2мин https://dzen.ru/a/as8tEt7AE3uVwex3
Книга рядом с книгой: использование случайных открытий в педагогике
Автор: Дейв Вебстер
подчёркивает, что настоящее обучение часто происходит не по заранее спланированной траектории, а благодаря серендипии — неожиданным открытиям, которые возникают в процессе поиска, любопытства и случайных встреч с новыми идеями. Например, книга, случайно найденная рядом с той, которую студент искал, может изменить его понимание изучаемой темы.
Вебстер критикует стремление сделать образовательный процесс полностью систематизированным, предсказуемым и измеримым. Цифровые библиотеки, системы управления обучением и ИИ эффективно находят нужную информацию, но могут ограничивать неожиданные интеллектуальные открытия, поскольку ориентируются на уже сформулированные запросы и интересы пользователя.
Автор предлагает оставлять в образовательных программах пространство для незапланированного исследования: просматривать материалы без конкретного вопроса, знакомиться с неожиданными источниками, приносить на занятия найденные вне учебного процесса идеи и самостоятельно устанавливать связи между ними и изучаемой темой.
Задача педагога — не столько искусственно организовывать случайные открытия, сколько создавать условия, в которых они могут происходить. Даже хорошо спроектированная образовательная система должна оставлять место для неопределённости, интеллектуальных блужданий и неожиданных связей.
Читать 5мин https://dzen.ru/a/as8yCdgCpHkQJyjz
Автор: Дейв Вебстер
подчёркивает, что настоящее обучение часто происходит не по заранее спланированной траектории, а благодаря серендипии — неожиданным открытиям, которые возникают в процессе поиска, любопытства и случайных встреч с новыми идеями. Например, книга, случайно найденная рядом с той, которую студент искал, может изменить его понимание изучаемой темы.
Вебстер критикует стремление сделать образовательный процесс полностью систематизированным, предсказуемым и измеримым. Цифровые библиотеки, системы управления обучением и ИИ эффективно находят нужную информацию, но могут ограничивать неожиданные интеллектуальные открытия, поскольку ориентируются на уже сформулированные запросы и интересы пользователя.
Автор предлагает оставлять в образовательных программах пространство для незапланированного исследования: просматривать материалы без конкретного вопроса, знакомиться с неожиданными источниками, приносить на занятия найденные вне учебного процесса идеи и самостоятельно устанавливать связи между ними и изучаемой темой.
Задача педагога — не столько искусственно организовывать случайные открытия, сколько создавать условия, в которых они могут происходить. Даже хорошо спроектированная образовательная система должна оставлять место для неопределённости, интеллектуальных блужданий и неожиданных связей.
Читать 5мин https://dzen.ru/a/as8yCdgCpHkQJyjz
Сделать сдвиг
Автор Одри Уоттерс
критикует превращение Кремниевой долины из центра технологических инноваций в индустрию, которая продаёт прежде всего обещания будущего. Венчурный капитал стимулирует не столько создание полезных и устойчивых продуктов, сколько бесконечный рост, масштабирование и веру в неизбежность технологических перемен.
Автор переносит эту критику на образовательные технологии. Символом такого подхода становится презентация Shift Happens (2006), убеждавшая педагогов в необходимости адаптировать школы к стремительно меняющемуся миру. Её аргументация основывалась преимущественно на статистике роста и технологического ускорения, но почти не объясняла, как технологии действительно улучшат преподавание и обучение.
По мнению Уоттерс, за риторикой подготовки к профессиям будущего скрывались экономические интересы технологических компаний и подмена образовательных целей. Школы всё больше ориентировались на требования рынка труда, забывая о своей гражданской и гуманистической миссии — готовить людей не только к будущей работе, но и к полноценной жизни в настоящем.
Особую тревогу автора вызывает современный технооптимизм, в том числе вера в превосходство искусственного интеллекта над человеческим мышлением. Подобные нарративы заставляют педагогов воспринимать технологические изменения как неизбежность, а не как предмет критического обсуждения и общественного выбора.
По мнению Уоттерс, разговоры о неизбежном технологическом будущем — не нейтральные прогнозы, а инструмент влияния на настоящее. Образованию важно не подстраиваться автоматически под видение будущего, предлагаемое технологическими корпорациями, а самостоятельно определять цели развития, сохраняя в центре внимания человека, его мышление и благополучие.
Читать 5 мин https://dzen.ru/a/atMzmnbGGgLj-UwW
Автор Одри Уоттерс
критикует превращение Кремниевой долины из центра технологических инноваций в индустрию, которая продаёт прежде всего обещания будущего. Венчурный капитал стимулирует не столько создание полезных и устойчивых продуктов, сколько бесконечный рост, масштабирование и веру в неизбежность технологических перемен.
Автор переносит эту критику на образовательные технологии. Символом такого подхода становится презентация Shift Happens (2006), убеждавшая педагогов в необходимости адаптировать школы к стремительно меняющемуся миру. Её аргументация основывалась преимущественно на статистике роста и технологического ускорения, но почти не объясняла, как технологии действительно улучшат преподавание и обучение.
По мнению Уоттерс, за риторикой подготовки к профессиям будущего скрывались экономические интересы технологических компаний и подмена образовательных целей. Школы всё больше ориентировались на требования рынка труда, забывая о своей гражданской и гуманистической миссии — готовить людей не только к будущей работе, но и к полноценной жизни в настоящем.
Особую тревогу автора вызывает современный технооптимизм, в том числе вера в превосходство искусственного интеллекта над человеческим мышлением. Подобные нарративы заставляют педагогов воспринимать технологические изменения как неизбежность, а не как предмет критического обсуждения и общественного выбора.
По мнению Уоттерс, разговоры о неизбежном технологическом будущем — не нейтральные прогнозы, а инструмент влияния на настоящее. Образованию важно не подстраиваться автоматически под видение будущего, предлагаемое технологическими корпорациями, а самостоятельно определять цели развития, сохраняя в центре внимания человека, его мышление и благополучие.
Читать 5 мин https://dzen.ru/a/atMzmnbGGgLj-UwW
Когда работа перестает формировать работника
Автор: Карло Иаконо
ИИ автоматизирует не только интеллектуальный труд, но и саму работу, через которую люди приобретают экспертные знания. Возникает парадокс: машины всё лучше выполняют задачи специалистов, однако без выполнения этих задач людьми становится сложнее подготовить новое поколение экспертов, способных контролировать результаты ИИ.
Автор приводит пример физика Эмре Онура Кахьи, который потратил год на сложные расчёты для докторской диссертации. Современная ИИ-модель повторила их примерно за десять часов, обнаружив ошибки в опубликованных работах. Аналогичные результаты демонстрируются в математике и теоретической физике: ИИ успешно решает задачи, которые традиционно служили тренировкой для начинающих исследователей.
Проблема выходит за рамки сокращения рабочих мест. Начинающие специалисты теряют возможность осваивать профессию через практику, поскольку их типовые задачи переходят к ИИ. Это уже отражается на найме: например, в Anthropic доля младших специалистов среди принятых на технические должности сократилась с 27% до 9%. Работодателям нужны люди, умеющие принимать решения и проверять результаты ИИ, но привычные механизмы формирования таких компетенций постепенно исчезают.
Автор выделяет и другие риски: ослабление человеческого научного сообщества, рост зависимости исследований от финансовых ресурсов и утрату доступности научной работы для тех, кто не располагает значительными бюджетами.
Труд в условиях ИИ должен оцениваться не только по результату, но и по тому, каких специалистов он формирует. Если университеты и работодатели будут оплачивать исключительно дешёвые результаты, полученные ИИ, может исчезнуть сама система подготовки людей, способных оценивать достоверность этих результатов. Поэтому необходимо сохранять возможности для самостоятельных расчётов, экспериментов и решения задач — даже когда машина справляется с ними быстрее и дешевле.
ИИ способен заменить учебные и профессиональные задачи, но это не означает, что он автоматически заменяет процесс формирования экспертизы. Образовательным организациям придётся специально инвестировать в практику, которая развивает у человека способность понимать, проверять и обоснованно оценивать работу ИИ.
Читать 13мин https://dzen.ru/a/ateUm0a88m9QqkrN
Автор: Карло Иаконо
ИИ автоматизирует не только интеллектуальный труд, но и саму работу, через которую люди приобретают экспертные знания. Возникает парадокс: машины всё лучше выполняют задачи специалистов, однако без выполнения этих задач людьми становится сложнее подготовить новое поколение экспертов, способных контролировать результаты ИИ.
Автор приводит пример физика Эмре Онура Кахьи, который потратил год на сложные расчёты для докторской диссертации. Современная ИИ-модель повторила их примерно за десять часов, обнаружив ошибки в опубликованных работах. Аналогичные результаты демонстрируются в математике и теоретической физике: ИИ успешно решает задачи, которые традиционно служили тренировкой для начинающих исследователей.
Проблема выходит за рамки сокращения рабочих мест. Начинающие специалисты теряют возможность осваивать профессию через практику, поскольку их типовые задачи переходят к ИИ. Это уже отражается на найме: например, в Anthropic доля младших специалистов среди принятых на технические должности сократилась с 27% до 9%. Работодателям нужны люди, умеющие принимать решения и проверять результаты ИИ, но привычные механизмы формирования таких компетенций постепенно исчезают.
Автор выделяет и другие риски: ослабление человеческого научного сообщества, рост зависимости исследований от финансовых ресурсов и утрату доступности научной работы для тех, кто не располагает значительными бюджетами.
Труд в условиях ИИ должен оцениваться не только по результату, но и по тому, каких специалистов он формирует. Если университеты и работодатели будут оплачивать исключительно дешёвые результаты, полученные ИИ, может исчезнуть сама система подготовки людей, способных оценивать достоверность этих результатов. Поэтому необходимо сохранять возможности для самостоятельных расчётов, экспериментов и решения задач — даже когда машина справляется с ними быстрее и дешевле.
ИИ способен заменить учебные и профессиональные задачи, но это не означает, что он автоматически заменяет процесс формирования экспертизы. Образовательным организациям придётся специально инвестировать в практику, которая развивает у человека способность понимать, проверять и обоснованно оценивать работу ИИ.
Читать 13мин https://dzen.ru/a/ateUm0a88m9QqkrN
Механистические индикаторы понимания в крупных языковых моделях
Авторы: Пьер Бекманн и Матье Келоз
Крупные языковые модели (LLM) не сводятся к простому воспроизведению статистических закономерностей текста. Исследования механистической интерпретируемости показывают, что внутри них формируются структуры, функционально аналогичные некоторым аспектам человеческого понимания. Однако эти структуры сосуществуют с запоминанием и поверхностными эвристиками, что ограничивает надёжность результатов.
Авторы предлагают иерархическую модель понимания, основанную на способности устанавливать связи между информационными элементами.
1. Концептуальное понимание. Модель формирует внутренние представления, объединяющие различные проявления одного объекта или свойства в общую концепцию.
2. Понимание состояния мира. Модель устанавливает связи между понятиями и использует их для представления фактов. Например, связывает Майкла Джордана с баскетболом не только через статистические ассоциации, но и посредством внутренних репрезентаций.
3. Принципиальное понимание. Модель выявляет общие правила и закономерности, объясняющие множество отдельных фактов. Вместо запоминания примеров она может формировать компактные схемы, обеспечивающие обобщение на новые ситуации.
Основные результаты исследований
- Механизмы ИИ сложнее простого запоминания. Механистическая интерпретируемость позволяет выявлять внутренние структуры, участвующие в распознавании понятий, моделировании состояний мира и применении общих принципов.
- Обобщение может возникать внезапно. Феномен гроккинга демонстрирует, как после длительного запоминания обучающих примеров модель может перейти к обобщению, сопровождающемуся формированием более компактных внутренних представлений.
- Модели используют множество механизмов одновременно. При решении одной задачи могут параллельно работать различные эвристики, концептуальные представления и более общие вычислительные схемы. Они способны усиливать или подавлять друг друга.
- Понимание сосуществует с поверхностными стратегиями. Даже если модель располагает механизмом корректного логического рассуждения, содержательные ассоциации могут привести её к неправильному ответу.
Авторы описывают LLM как своеобразный «комитет» разнородных механизмов, а не как единый, целостный разум. Одни механизмы основаны на запоминании, другие — на поверхностных корреляциях, третьи способны выявлять общие принципы.
Поэтому успешный ответ сам по себе не позволяет установить, каким способом модель его получила. Даже наличие механизма, обеспечивающего правильное рассуждение, не гарантирует, что именно он определит итоговый результат.
Авторы также отмечают отличие от человеческого познания: люди способны критически оценивать собственные эвристики и стремиться к лаконичным объяснениям, объединяющим множество явлений небольшим числом принципов. У LLM подобная систематичность не является гарантированным свойством.
Вывод
Исследование предлагает отказаться от упрощённого вопроса «понимает ли ИИ?» в пользу более содержательного: какие именно виды понимания реализованы в модели, какими механизмами они обеспечиваются и в каких условиях дают сбой?
Механистическая интерпретируемость открывает возможность изучать эти вопросы эмпирически, связывая философские теории понимания с анализом внутреннего устройства моделей.
Результаты предостерегают от отождествления правильных ответов ИИ с полноценным пониманием. При использовании LLM в обучении важно оценивать не только итоговый результат, но и устойчивость рассуждений, способность переносить знания на новые ситуации и выявлять общие принципы. При этом сама публикация не доказывает, что наличие подобных механизмов автоматически обеспечивает человеческий уровень понимания или педагогически надёжное поведение.
Читать отрывок из статьи 15мин https://dzen.ru/a/ate74UC5AAzZOZu0
Авторы: Пьер Бекманн и Матье Келоз
Крупные языковые модели (LLM) не сводятся к простому воспроизведению статистических закономерностей текста. Исследования механистической интерпретируемости показывают, что внутри них формируются структуры, функционально аналогичные некоторым аспектам человеческого понимания. Однако эти структуры сосуществуют с запоминанием и поверхностными эвристиками, что ограничивает надёжность результатов.
Авторы предлагают иерархическую модель понимания, основанную на способности устанавливать связи между информационными элементами.
1. Концептуальное понимание. Модель формирует внутренние представления, объединяющие различные проявления одного объекта или свойства в общую концепцию.
2. Понимание состояния мира. Модель устанавливает связи между понятиями и использует их для представления фактов. Например, связывает Майкла Джордана с баскетболом не только через статистические ассоциации, но и посредством внутренних репрезентаций.
3. Принципиальное понимание. Модель выявляет общие правила и закономерности, объясняющие множество отдельных фактов. Вместо запоминания примеров она может формировать компактные схемы, обеспечивающие обобщение на новые ситуации.
Основные результаты исследований
- Механизмы ИИ сложнее простого запоминания. Механистическая интерпретируемость позволяет выявлять внутренние структуры, участвующие в распознавании понятий, моделировании состояний мира и применении общих принципов.
- Обобщение может возникать внезапно. Феномен гроккинга демонстрирует, как после длительного запоминания обучающих примеров модель может перейти к обобщению, сопровождающемуся формированием более компактных внутренних представлений.
- Модели используют множество механизмов одновременно. При решении одной задачи могут параллельно работать различные эвристики, концептуальные представления и более общие вычислительные схемы. Они способны усиливать или подавлять друг друга.
- Понимание сосуществует с поверхностными стратегиями. Даже если модель располагает механизмом корректного логического рассуждения, содержательные ассоциации могут привести её к неправильному ответу.
Авторы описывают LLM как своеобразный «комитет» разнородных механизмов, а не как единый, целостный разум. Одни механизмы основаны на запоминании, другие — на поверхностных корреляциях, третьи способны выявлять общие принципы.
Поэтому успешный ответ сам по себе не позволяет установить, каким способом модель его получила. Даже наличие механизма, обеспечивающего правильное рассуждение, не гарантирует, что именно он определит итоговый результат.
Авторы также отмечают отличие от человеческого познания: люди способны критически оценивать собственные эвристики и стремиться к лаконичным объяснениям, объединяющим множество явлений небольшим числом принципов. У LLM подобная систематичность не является гарантированным свойством.
Вывод
Исследование предлагает отказаться от упрощённого вопроса «понимает ли ИИ?» в пользу более содержательного: какие именно виды понимания реализованы в модели, какими механизмами они обеспечиваются и в каких условиях дают сбой?
Механистическая интерпретируемость открывает возможность изучать эти вопросы эмпирически, связывая философские теории понимания с анализом внутреннего устройства моделей.
Результаты предостерегают от отождествления правильных ответов ИИ с полноценным пониманием. При использовании LLM в обучении важно оценивать не только итоговый результат, но и устойчивость рассуждений, способность переносить знания на новые ситуации и выявлять общие принципы. При этом сама публикация не доказывает, что наличие подобных механизмов автоматически обеспечивает человеческий уровень понимания или педагогически надёжное поведение.
Читать отрывок из статьи 15мин https://dzen.ru/a/ate74UC5AAzZOZu0
Конец ISTE (в некотором роде)
Автор: Тим Стамер
Публикация рассматривает кризис модели EdTech: переименование ISTE (буква T теперь означает Transformation, а не Technology) символизирует, что технологии перестают быть целью и становятся лишь инструментом. Это признание того, что многолетняя цифровизация не привела к системным изменениям, так как инфраструктура изменилась, а педагогическая архитектура осталась прежней.
Причины кризиса EdTech
- Технологический оптимизм исчерпан: новизна инструментов больше не обосновывает инвестиции.
- Кризис рынка: усталость от продуктов без доказанной педагогической эффективности.
- Сопротивление школы: массовый характер и стандартизация мешают институциональным изменениям, адаптируя технологии под старые формы.
Вызов генеративного ИИ
ИИ способен поддерживать персонализацию и проектное обучение, но рискует лишь автоматизировать традиционную рутину (тесты, презентации). Передача алгоритмам анализа и поиска информации ставит вопрос, какие компетенции формируются у самого учащегося. Без переосмысления обучения ИИ лишь усугубит ограничения классической школы.
Эволюция отрасли
EdTech-сообщество вынуждено смещать фокус:
1. От демонстрации к доказательствам: главными становятся измеримые результаты учащихся.
2. От продуктов к системам: важна интеграция инструментов в сценарии, оценивание и процессы.
3. От ярмарок технологий к площадкам трансформации: технологии остаются средством, а не единственной темой.
Главный вывод
Происходит переход от цифровизации к подлинной трансформации. Будущее EdTech зависит не от возможностей машин, а от способности переосмыслить, чему и как должен учиться человек.
Читать 2мин https://dzen.ru/a/atjXcLUon16Yu63V
Автор: Тим Стамер
Публикация рассматривает кризис модели EdTech: переименование ISTE (буква T теперь означает Transformation, а не Technology) символизирует, что технологии перестают быть целью и становятся лишь инструментом. Это признание того, что многолетняя цифровизация не привела к системным изменениям, так как инфраструктура изменилась, а педагогическая архитектура осталась прежней.
Причины кризиса EdTech
- Технологический оптимизм исчерпан: новизна инструментов больше не обосновывает инвестиции.
- Кризис рынка: усталость от продуктов без доказанной педагогической эффективности.
- Сопротивление школы: массовый характер и стандартизация мешают институциональным изменениям, адаптируя технологии под старые формы.
Вызов генеративного ИИ
ИИ способен поддерживать персонализацию и проектное обучение, но рискует лишь автоматизировать традиционную рутину (тесты, презентации). Передача алгоритмам анализа и поиска информации ставит вопрос, какие компетенции формируются у самого учащегося. Без переосмысления обучения ИИ лишь усугубит ограничения классической школы.
Эволюция отрасли
EdTech-сообщество вынуждено смещать фокус:
1. От демонстрации к доказательствам: главными становятся измеримые результаты учащихся.
2. От продуктов к системам: важна интеграция инструментов в сценарии, оценивание и процессы.
3. От ярмарок технологий к площадкам трансформации: технологии остаются средством, а не единственной темой.
Главный вывод
Происходит переход от цифровизации к подлинной трансформации. Будущее EdTech зависит не от возможностей машин, а от способности переосмыслить, чему и как должен учиться человек.
Читать 2мин https://dzen.ru/a/atjXcLUon16Yu63V
Зубрежка возвращается. Или, по крайней мере, что-то очень похожее на него.
Автор Мелисса Хейли
В современном образовании нарастает тренд на жесткую стандартизацию и регламентацию уроков (современную форму «зубрежки»). Этот подход сводит преподавание к следованию предписанным сценариям, что негативно сказывается как на учащихся, так и на учителях.
- Суть нового подхода: Уроки организуются по заранее прописанным сценариям с фиксированным темпом и жестким оцениванием. Обучение фокусируется на воспроизведении правильных ответов, а не на исследовании, критическом мышлении или адаптации под потребности учеников.
- Влияние на учеников: Ограничиваются возможности для развития творчества, глубокого мышления и самостоятельности (что противоречит официальным образовательным целям Австралии). У детей снижается вовлеченность и растет разочарование, а учеба начинает восприниматься как подчинение и выполнение правил.
- Противоречие в подготовке учителей: В вузах будущих педагогов учат проявлять гибкость, развивать учебные программы и учитывать индивидуальные потребности школьников. Однако на практике они сталкиваются с жестким контролем, где от них требуют лишь исполнять чужие инструкции.
- Угроза для профессии: Люди идут в преподавание из альтруистических и творческих побуждений. Чрезмерный контроль снижает автономию и удовлетворенность работой, ведет к выгоранию и оттоку кадров.
- Парадокс реформ: Хотя стандартизация вводится с благими намерениями (снизить нагрузку на учителей и бороться с неравенством), в реальности она превращает преподавание из профессионального призвания в механический процесс передачи информации.
Автор предостерегает, что если преподавание окончательно сведется к «работе по сценарию», система потеряет творческих и неравнодушных педагогов, а само образование станет поверхностным и пассивным.
Читать 6мин https://dzen.ru/a/atjqve3q8R0f-kW7
Автор Мелисса Хейли
В современном образовании нарастает тренд на жесткую стандартизацию и регламентацию уроков (современную форму «зубрежки»). Этот подход сводит преподавание к следованию предписанным сценариям, что негативно сказывается как на учащихся, так и на учителях.
- Суть нового подхода: Уроки организуются по заранее прописанным сценариям с фиксированным темпом и жестким оцениванием. Обучение фокусируется на воспроизведении правильных ответов, а не на исследовании, критическом мышлении или адаптации под потребности учеников.
- Влияние на учеников: Ограничиваются возможности для развития творчества, глубокого мышления и самостоятельности (что противоречит официальным образовательным целям Австралии). У детей снижается вовлеченность и растет разочарование, а учеба начинает восприниматься как подчинение и выполнение правил.
- Противоречие в подготовке учителей: В вузах будущих педагогов учат проявлять гибкость, развивать учебные программы и учитывать индивидуальные потребности школьников. Однако на практике они сталкиваются с жестким контролем, где от них требуют лишь исполнять чужие инструкции.
- Угроза для профессии: Люди идут в преподавание из альтруистических и творческих побуждений. Чрезмерный контроль снижает автономию и удовлетворенность работой, ведет к выгоранию и оттоку кадров.
- Парадокс реформ: Хотя стандартизация вводится с благими намерениями (снизить нагрузку на учителей и бороться с неравенством), в реальности она превращает преподавание из профессионального призвания в механический процесс передачи информации.
Автор предостерегает, что если преподавание окончательно сведется к «работе по сценарию», система потеряет творческих и неравнодушных педагогов, а само образование станет поверхностным и пассивным.
Читать 6мин https://dzen.ru/a/atjqve3q8R0f-kW7
❤1