Супер-халтура и как она сорвет ваш книжный контракт
Автор Майкл О. Черч
Это провокационный эксперимент о том, как ИИ может разрушить традиционную систему книжного издательства. Автор создал целый роман — «Зима берёт одного» — исключительно с помощью команды ИИ-агентов. Они совместно разработали сюжет, написали текст, критиковали и редактировали друг друга. Весь процесс занял около пяти часов и $209,55. При этом симулированный отбор четырьмя LLM дал роману чрезвычайно высокую коммерческую оценку.
Главный вывод автора: проблема не столько в том, что ИИ уже способен писать хорошую литературу, сколько в том, что он способен очень эффективно имитировать коммерчески привлекательную литературу и проходить автоматизированные системы отбора. Это особенно опасно для издательского рынка, где огромную роль играют не только качество текста, но и маркетинговый потенциал, авторский образ и коммерческая «перспективность».
Автор также показывает гонку между генерацией и детекцией ИИ-текстов: существующие детекторы вроде Pangram способны обнаруживать такой текст, но уже существуют потенциальные способы обхода — перефразирование, использование нескольких моделей или человеческая построчная редактура.
Самая радикальная гипотеза статьи заключается в том, что в будущем 90% творческого процесса может происходить на GPU, а человек останется скорее редактором, лицом автора и участником маркетинга. Это резко снизит стоимость производства книг, но одновременно обесценит традиционную систему литературного отбора и издательских «ворот».
При этом автор считает, что сама литература не исчезнет: человеческое письмо способно сохранить преимущество в создании произведений с настоящей эмоциональной и культурной ценностью. Но литература, по его прогнозу, может превратиться из многомиллиардной индустрии в более нишевое занятие — удел «чудаков», тогда как массовый коммерческий контент всё больше будет производиться ИИ.
ИИ может победить издательскую индустрию не потому, что станет великим писателем, а потому, что окажется намного эффективнее человека в оптимизации коммерчески успешного продукта.
Читать 16мин)
Автор Майкл О. Черч
Это провокационный эксперимент о том, как ИИ может разрушить традиционную систему книжного издательства. Автор создал целый роман — «Зима берёт одного» — исключительно с помощью команды ИИ-агентов. Они совместно разработали сюжет, написали текст, критиковали и редактировали друг друга. Весь процесс занял около пяти часов и $209,55. При этом симулированный отбор четырьмя LLM дал роману чрезвычайно высокую коммерческую оценку.
Главный вывод автора: проблема не столько в том, что ИИ уже способен писать хорошую литературу, сколько в том, что он способен очень эффективно имитировать коммерчески привлекательную литературу и проходить автоматизированные системы отбора. Это особенно опасно для издательского рынка, где огромную роль играют не только качество текста, но и маркетинговый потенциал, авторский образ и коммерческая «перспективность».
Автор также показывает гонку между генерацией и детекцией ИИ-текстов: существующие детекторы вроде Pangram способны обнаруживать такой текст, но уже существуют потенциальные способы обхода — перефразирование, использование нескольких моделей или человеческая построчная редактура.
Самая радикальная гипотеза статьи заключается в том, что в будущем 90% творческого процесса может происходить на GPU, а человек останется скорее редактором, лицом автора и участником маркетинга. Это резко снизит стоимость производства книг, но одновременно обесценит традиционную систему литературного отбора и издательских «ворот».
При этом автор считает, что сама литература не исчезнет: человеческое письмо способно сохранить преимущество в создании произведений с настоящей эмоциональной и культурной ценностью. Но литература, по его прогнозу, может превратиться из многомиллиардной индустрии в более нишевое занятие — удел «чудаков», тогда как массовый коммерческий контент всё больше будет производиться ИИ.
ИИ может победить издательскую индустрию не потому, что станет великим писателем, а потому, что окажется намного эффективнее человека в оптимизации коммерчески успешного продукта.
Читать 16мин)
❤1
Видение образования в области информатики (компьютерных наук) для учащихся дошкольных учреждений и 1-12 классов
Автор: Ассоциация учителей компьютерных наук (CSTA)
Представлены стандарты CSTA PK–12 2026 года — обновлённую концепцию обучения информатике от дошкольного возраста до окончания школы. Их главная идея — подготовить каждого учащегося к жизни в мире, управляемом вычислительными системами, развивая не только технические знания, но и креативность, критическое мышление, любознательность, этику и способность к сотрудничеству.
Стандарты строятся вокруг пяти фундаментальных областей: алгоритмы и проектирование, программирование, данные и анализ, системы и безопасность, вычислительная техника и общество. Важное новшество — ИИ не выделяется в отдельный базовый раздел, а интегрируется во все пять областей.
При этом ИИ рассматривается не только как технология, которой нужно научить пользоваться. Школа должна сформировать из учащегося:
- критически мыслящего потребителя ИИ — умеющего оценивать результаты и обнаруживать ошибки и предвзятость;
- ответственного создателя — понимающего ограничения ИИ и необходимость человеческого суждения;
- информированного гражданина — способного оценивать социальные, этические и экологические последствия ИИ.
Особенно интересен принцип: ошибки и предвзятость ИИ предлагается объяснять через человеческий фактор — качество данных, решения разработчиков и особенности проектирования. Это одновременно формирует у школьника понимание ограничений ИИ и ощущение себя потенциальным создателем, а не пассивным пользователем технологий.
Для старшей школы предусмотрена отдельная специализация по ИИ, наряду с кибербезопасностью, Data Science, разработкой игр, физическими вычислениями и software engineering.
CSTA предлагает не превращать школьное образование в обучение конкретным ИИ-инструментам. Вместо этого ИИ становится сквозным компонентом фундаментального образования в области информатики, сочетающим техническую грамотность, критическое мышление, этику и понимание взаимодействия человека и ИИ.
Для EdTech это означает заметный сдвиг: AI literacy постепенно становится частью фундаментальной школьной грамотности, а не отдельным факультативным навыком.
Ссылка на перевод выдержек из стандарта в комменте 👇👇👇
Читать 9мин)
Автор: Ассоциация учителей компьютерных наук (CSTA)
Представлены стандарты CSTA PK–12 2026 года — обновлённую концепцию обучения информатике от дошкольного возраста до окончания школы. Их главная идея — подготовить каждого учащегося к жизни в мире, управляемом вычислительными системами, развивая не только технические знания, но и креативность, критическое мышление, любознательность, этику и способность к сотрудничеству.
Стандарты строятся вокруг пяти фундаментальных областей: алгоритмы и проектирование, программирование, данные и анализ, системы и безопасность, вычислительная техника и общество. Важное новшество — ИИ не выделяется в отдельный базовый раздел, а интегрируется во все пять областей.
При этом ИИ рассматривается не только как технология, которой нужно научить пользоваться. Школа должна сформировать из учащегося:
- критически мыслящего потребителя ИИ — умеющего оценивать результаты и обнаруживать ошибки и предвзятость;
- ответственного создателя — понимающего ограничения ИИ и необходимость человеческого суждения;
- информированного гражданина — способного оценивать социальные, этические и экологические последствия ИИ.
Особенно интересен принцип: ошибки и предвзятость ИИ предлагается объяснять через человеческий фактор — качество данных, решения разработчиков и особенности проектирования. Это одновременно формирует у школьника понимание ограничений ИИ и ощущение себя потенциальным создателем, а не пассивным пользователем технологий.
Для старшей школы предусмотрена отдельная специализация по ИИ, наряду с кибербезопасностью, Data Science, разработкой игр, физическими вычислениями и software engineering.
CSTA предлагает не превращать школьное образование в обучение конкретным ИИ-инструментам. Вместо этого ИИ становится сквозным компонентом фундаментального образования в области информатики, сочетающим техническую грамотность, критическое мышление, этику и понимание взаимодействия человека и ИИ.
Для EdTech это означает заметный сдвиг: AI literacy постепенно становится частью фундаментальной школьной грамотности, а не отдельным факультативным навыком.
Ссылка на перевод выдержек из стандарта в комменте 👇👇👇
Читать 9мин)
🔥1
🦄_Обзор технологических стартапов в образовании от 23.08.2026
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Reach Capital привлекает 265 миллионов долларов для своего пятого флагманского фонда, предоставляя венчурной фирме, специализирующейся на инвестициях в стартапы на ранних стадиях, новые средства для инвестирования еще в 50 команд-основателей, при этом объем активов под управлением приближается к 1 миллиарду долларов
[Читать 3мин]([https://vk.ru/wall-87570467\6253](https://vk.ru/wall-87570467_6253))
Платформа для подготовки к экзаменам на основе ИИ в Великобритании и на международных рынках Medly AI привлекает 8 миллионов долларов для расширения доступа к репетиторству на основе ИИ для большего числа студентов
Читать 2мин)
Технологически продвинутое решение для охраны психического здоровья детей и их семей Butterfly Learnings привлекло 65 крор рупий (6,795 млн долларов США) в рамках раунда финансирования перед серией B, возглавляемого Inflexor Ventures
Читать 2мин)
Центры развития детей и решения в сфере здравоохранения на основе ИИ, компания Lissun привлекла 48 крор рупий (5,018 млн долларов США) в рамках раунда финансирования серии А, возглавляемого Colossa Ventures
Читать 1мин)
Платформа для обучения, помогающая высшим учебным заведениям предоставлять прикладное, ориентированное на трудоустройство техническое образование Codio привлекла 5 миллионов долларов инвестиций
Читать 1мин)
Саудовская образовательная технологическая компания на основе ИИ AILA завершила предпосевной раунд финансирования серии A на сумму 3 млн долларов, возглавляемый фондом Rua Growth Fund
Читать 1мин)
Бельгийская платформа для обучения творчеству Artwod привлекла 1,1 миллиона евро для запуска маркетплейса для авторов
Читать 3мин)
Платформа для обучения работе с программным обеспечением и повышения операционных знаний на основе ИИ Guideless привлекает 1 млн евро в рамках предварительного посевного финансирования
Читать 1мин)
Компания Premia, занимающаяся образовательными технологиями и специализирующаяся на собственном искусственном интеллекте, привлекла 5 миллионов реалов (972,9 тыс. долларов США) для проведения слияний и поглощений
Читать 2мин)
Платформа для фитнеса и здорового образа жизни Ginastee привлекает 650 000 бразильских реалов (126 500 долларов США) в рамках предварительного посевного раунда от Koinz Capital
Читать 3мин)
Поставщик технологий для обеспечения ситуационной осведомленности в чрезвычайных ситуациях, компания Emergent 3 получила стратегические инвестиции от Arthur Ventures для расширения своей платформы безопасности
Читать 3мин)
Компания MARKTON EDUCATION SERVICES LIMITED инклюзивного и доступного образования для малообеспеченных учащихся в восточной Уганде присоединяется к программе EquityPilot от FasterCapital
Читать 2мин)
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Reach Capital привлекает 265 миллионов долларов для своего пятого флагманского фонда, предоставляя венчурной фирме, специализирующейся на инвестициях в стартапы на ранних стадиях, новые средства для инвестирования еще в 50 команд-основателей, при этом объем активов под управлением приближается к 1 миллиарду долларов
[Читать 3мин]([https://vk.ru/wall-87570467\6253](https://vk.ru/wall-87570467_6253))
Платформа для подготовки к экзаменам на основе ИИ в Великобритании и на международных рынках Medly AI привлекает 8 миллионов долларов для расширения доступа к репетиторству на основе ИИ для большего числа студентов
Читать 2мин)
Технологически продвинутое решение для охраны психического здоровья детей и их семей Butterfly Learnings привлекло 65 крор рупий (6,795 млн долларов США) в рамках раунда финансирования перед серией B, возглавляемого Inflexor Ventures
Читать 2мин)
Центры развития детей и решения в сфере здравоохранения на основе ИИ, компания Lissun привлекла 48 крор рупий (5,018 млн долларов США) в рамках раунда финансирования серии А, возглавляемого Colossa Ventures
Читать 1мин)
Платформа для обучения, помогающая высшим учебным заведениям предоставлять прикладное, ориентированное на трудоустройство техническое образование Codio привлекла 5 миллионов долларов инвестиций
Читать 1мин)
Саудовская образовательная технологическая компания на основе ИИ AILA завершила предпосевной раунд финансирования серии A на сумму 3 млн долларов, возглавляемый фондом Rua Growth Fund
Читать 1мин)
Бельгийская платформа для обучения творчеству Artwod привлекла 1,1 миллиона евро для запуска маркетплейса для авторов
Читать 3мин)
Платформа для обучения работе с программным обеспечением и повышения операционных знаний на основе ИИ Guideless привлекает 1 млн евро в рамках предварительного посевного финансирования
Читать 1мин)
Компания Premia, занимающаяся образовательными технологиями и специализирующаяся на собственном искусственном интеллекте, привлекла 5 миллионов реалов (972,9 тыс. долларов США) для проведения слияний и поглощений
Читать 2мин)
Платформа для фитнеса и здорового образа жизни Ginastee привлекает 650 000 бразильских реалов (126 500 долларов США) в рамках предварительного посевного раунда от Koinz Capital
Читать 3мин)
Поставщик технологий для обеспечения ситуационной осведомленности в чрезвычайных ситуациях, компания Emergent 3 получила стратегические инвестиции от Arthur Ventures для расширения своей платформы безопасности
Читать 3мин)
Компания MARKTON EDUCATION SERVICES LIMITED инклюзивного и доступного образования для малообеспеченных учащихся в восточной Уганде присоединяется к программе EquityPilot от FasterCapital
Читать 2мин)
Использование ИИ в преподавании, обучении и подготовке научных кадров
Автор: Специальный комитет MIT
Отчёт рассматривает ИИ не просто как новую технологию, а как фактор, требующий перепроектирования самой образовательной модели MIT.
MIT не должен ни запрещать ИИ, ни бездумно внедрять его ради повышения эффективности — ИИ должен расширять человеческие возможности и усиливать обучение, а не автоматизировать само обучение и вытеснять человеческие отношения. Авторы прямо предупреждают об опасности «когнитивной капитуляции»: студент получает правильный ответ от ИИ, но при этом не проходит необходимый для обучения путь интеллектуального усилия.
Комитет предлагает строить политику вокруг восьми принципов:
Быть скромными — ИИ развивается слишком быстро, поэтому решения неизбежно придётся пересматривать.
Быть смелыми — неопределённость не должна становиться оправданием бездействия.
Ставить человечность на первое место — образование должно сохранять отношения между студентами, преподавателями и исследовательским сообществом.
Активно участвовать в процессе обучения — ценность образования заключается не в дипломе и оценках, а в развитии мышления, самостоятельности и способности учиться.
Преподавать целенаправленно — сначала определить, чему студент должен научиться, и только потом решать, как использовать ИИ.
Не искать универсального решения — правила должны зависеть от дисциплины, курса и уровня подготовки.
Расширять возможности, а не автоматизировать — ИИ должен усиливать любознательность, творчество и способность решать задачи.
Думать за пределами аудитории и кампуса — образование формирует не только профессиональные навыки, но и личность, социальные навыки и ответственность.
Что ИИ уже меняет
По мнению комитета, традиционная модель оценки оказалась под серьёзным давлением: ИИ способен выполнять значительную часть письменных, математических, научных и программных заданий уровня бакалавриата. Поэтому домашние задания и другие работы, выполняемые без наблюдения преподавателя, становятся гораздо менее надёжным показателем индивидуального обучения.
Но проблема шире, чем академическая честность: ИИ уже влияет на социальную жизнь кампуса — посещаемость консультаций, участие в дискуссиях и учебных группах.
Что MIT предлагает изменить
1. Перепроектировать курсы.
Преподавателям предлагается начинать не с вопроса «можно ли использовать ChatGPT?», а с вопроса: «Чему именно должен научиться студент?»
2. Перейти к более практическому и проектному обучению.
Но фундаментальные знания, способность принимать решения и контролировать результат становятся ещё важнее.
3. Усилить очное социальное обучение.
Каждый учебный курс должен включать регулярные взаимодействия студентов друг с другом и преподавателями: групповые проекты, совместное решение задач, обсуждения, презентации и обратную связь.
4. Изменить систему оценивания.
Меньше полагаться на традиционные домашние задания и рассмотреть:
устные экзамены;
портфолио;
проектную работу;
обсуждение результатов с преподавателем;
очные практические задания;
оценивание процесса, а не только конечного результата.
Цель — не создать «защищённые от ИИ» задания, а такие формы оценки, которые сами являются частью обучения.
5. Не полагаться на AI-detectors.
Предлагается больше внимания уделять наблюдению за процессом работы, промежуточным результатам, устным обсуждениям и истории версий.
6. Сделать правила использования ИИ прозрачными.
Отдельный акцент — человеческое сообщество
Одна из наиболее интересных идей отчёта: главная угроза ИИ для университета заключается не только в списывании, а в разрушении социального характера образования.
MIT поэтому хочет сохранить и расширить исследовательские проекты, наставничество, командную работу и обучение через реальную практику. Их ценность заключается не только в полученном результате, а в том, что студент становится частью профессионального и интеллектуального сообщества.
Автор: Специальный комитет MIT
Отчёт рассматривает ИИ не просто как новую технологию, а как фактор, требующий перепроектирования самой образовательной модели MIT.
MIT не должен ни запрещать ИИ, ни бездумно внедрять его ради повышения эффективности — ИИ должен расширять человеческие возможности и усиливать обучение, а не автоматизировать само обучение и вытеснять человеческие отношения. Авторы прямо предупреждают об опасности «когнитивной капитуляции»: студент получает правильный ответ от ИИ, но при этом не проходит необходимый для обучения путь интеллектуального усилия.
Комитет предлагает строить политику вокруг восьми принципов:
Быть скромными — ИИ развивается слишком быстро, поэтому решения неизбежно придётся пересматривать.
Быть смелыми — неопределённость не должна становиться оправданием бездействия.
Ставить человечность на первое место — образование должно сохранять отношения между студентами, преподавателями и исследовательским сообществом.
Активно участвовать в процессе обучения — ценность образования заключается не в дипломе и оценках, а в развитии мышления, самостоятельности и способности учиться.
Преподавать целенаправленно — сначала определить, чему студент должен научиться, и только потом решать, как использовать ИИ.
Не искать универсального решения — правила должны зависеть от дисциплины, курса и уровня подготовки.
Расширять возможности, а не автоматизировать — ИИ должен усиливать любознательность, творчество и способность решать задачи.
Думать за пределами аудитории и кампуса — образование формирует не только профессиональные навыки, но и личность, социальные навыки и ответственность.
Что ИИ уже меняет
По мнению комитета, традиционная модель оценки оказалась под серьёзным давлением: ИИ способен выполнять значительную часть письменных, математических, научных и программных заданий уровня бакалавриата. Поэтому домашние задания и другие работы, выполняемые без наблюдения преподавателя, становятся гораздо менее надёжным показателем индивидуального обучения.
Но проблема шире, чем академическая честность: ИИ уже влияет на социальную жизнь кампуса — посещаемость консультаций, участие в дискуссиях и учебных группах.
Что MIT предлагает изменить
1. Перепроектировать курсы.
Преподавателям предлагается начинать не с вопроса «можно ли использовать ChatGPT?», а с вопроса: «Чему именно должен научиться студент?»
2. Перейти к более практическому и проектному обучению.
Но фундаментальные знания, способность принимать решения и контролировать результат становятся ещё важнее.
3. Усилить очное социальное обучение.
Каждый учебный курс должен включать регулярные взаимодействия студентов друг с другом и преподавателями: групповые проекты, совместное решение задач, обсуждения, презентации и обратную связь.
4. Изменить систему оценивания.
Меньше полагаться на традиционные домашние задания и рассмотреть:
устные экзамены;
портфолио;
проектную работу;
обсуждение результатов с преподавателем;
очные практические задания;
оценивание процесса, а не только конечного результата.
Цель — не создать «защищённые от ИИ» задания, а такие формы оценки, которые сами являются частью обучения.
5. Не полагаться на AI-detectors.
Предлагается больше внимания уделять наблюдению за процессом работы, промежуточным результатам, устным обсуждениям и истории версий.
6. Сделать правила использования ИИ прозрачными.
Отдельный акцент — человеческое сообщество
Одна из наиболее интересных идей отчёта: главная угроза ИИ для университета заключается не только в списывании, а в разрушении социального характера образования.
MIT поэтому хочет сохранить и расширить исследовательские проекты, наставничество, командную работу и обучение через реальную практику. Их ценность заключается не только в полученном результате, а в том, что студент становится частью профессионального и интеллектуального сообщества.
AI literacy становится обязательной частью образования
MIT предлагает системно обучать студентов:
эффективно пользоваться ИИ;
правильно формулировать задачи;
проверять результаты;
понимать ограничения моделей;
знать, когда ИИ вообще не следует использовать;
различать augmentation и automation;
раскрывать использование ИИ;
понимать проблемы предвзятости, авторства, интеллектуальной собственности, экологических затрат и происхождения данных.
ИИ и преподаватели
Комитет предлагает симметрию: если студенты должны раскрывать использование ИИ, то преподаватели также должны быть прозрачными, когда используют его для создания материалов, обратной связи, оценивания или выставления оценок. ИИ может помогать преподавателю, но окончательная ответственность остаётся за человеком.
ИИ и научные исследования
Для исследований действует тот же принцип: ИИ — инструмент, управляемый человеком, который отвечает за проверку точности результатов. В диссертациях MIT предлагает указывать, каким образом использовался ИИ; сам ИИ не должен указываться как соавтор.
Организационная модель
MIT предлагает не создать раз и навсегда утверждённую политику ИИ, а построить постоянный механизм адаптации:
постоянно действующий комитет по AI и образованию;
AI-лидеров на уровне факультетов/кафедр;
сообщества практиков для обмена опытом;
сбор данных и обратной связи;
постоянный мониторинг развития технологий;
регулярный пересмотр учебных программ и методов оценки.
Отчёт MIT фактически предлагает не «адаптировать образование к ChatGPT», а переосмыслить, что такое университетское образование в эпоху ИИ.
Логика комитета примерно такова:
Если ИИ может легко автоматизировать получение ответа, университет должен гораздо больше ценить процесс формирования способности самостоятельно задавать вопросы, думать, экспериментировать, сотрудничать, принимать решения и нести за них ответственность.
Поэтому парадоксальный вывод отчёта: чем сильнее становится ИИ, тем важнее для MIT становятся человеческое присутствие, проектная работа, наставничество, совместное решение задач, очное обучение и интеллектуальное усилие.
С точки зрения EdTech: MIT рассматривает GenAI не как очередной EdTech tool, а как технологию, которая заставляет пересмотреть архитектуру обучения, оценивания, студенческой жизни и самой ценности университета.
Читать 50мин)
MIT предлагает системно обучать студентов:
эффективно пользоваться ИИ;
правильно формулировать задачи;
проверять результаты;
понимать ограничения моделей;
знать, когда ИИ вообще не следует использовать;
различать augmentation и automation;
раскрывать использование ИИ;
понимать проблемы предвзятости, авторства, интеллектуальной собственности, экологических затрат и происхождения данных.
ИИ и преподаватели
Комитет предлагает симметрию: если студенты должны раскрывать использование ИИ, то преподаватели также должны быть прозрачными, когда используют его для создания материалов, обратной связи, оценивания или выставления оценок. ИИ может помогать преподавателю, но окончательная ответственность остаётся за человеком.
ИИ и научные исследования
Для исследований действует тот же принцип: ИИ — инструмент, управляемый человеком, который отвечает за проверку точности результатов. В диссертациях MIT предлагает указывать, каким образом использовался ИИ; сам ИИ не должен указываться как соавтор.
Организационная модель
MIT предлагает не создать раз и навсегда утверждённую политику ИИ, а построить постоянный механизм адаптации:
постоянно действующий комитет по AI и образованию;
AI-лидеров на уровне факультетов/кафедр;
сообщества практиков для обмена опытом;
сбор данных и обратной связи;
постоянный мониторинг развития технологий;
регулярный пересмотр учебных программ и методов оценки.
Отчёт MIT фактически предлагает не «адаптировать образование к ChatGPT», а переосмыслить, что такое университетское образование в эпоху ИИ.
Логика комитета примерно такова:
Если ИИ может легко автоматизировать получение ответа, университет должен гораздо больше ценить процесс формирования способности самостоятельно задавать вопросы, думать, экспериментировать, сотрудничать, принимать решения и нести за них ответственность.
Поэтому парадоксальный вывод отчёта: чем сильнее становится ИИ, тем важнее для MIT становятся человеческое присутствие, проектная работа, наставничество, совместное решение задач, очное обучение и интеллектуальное усилие.
С точки зрения EdTech: MIT рассматривает GenAI не как очередной EdTech tool, а как технологию, которая заставляет пересмотреть архитектуру обучения, оценивания, студенческой жизни и самой ценности университета.
Читать 50мин)
Как крупные технологические компании захватили американские школы
Автор: Наташа Сингер
За последнее десятилетие Google, Microsoft, Apple, Amazon, Meta и OpenAI превратили американские школы в важную площадку для продвижения своих технологий, продуктов и мировоззрения.
Компании не просто поставляют школам ноутбуки, платформы и приложения. Они финансируют исследования, разрабатывают учебные материалы, обучают учителей, участвуют в формировании образовательных стандартов и лоббируют соответствующую образовательную политику.
Особенно показателен пример Google: бесплатные Chromebook и сервисы позволили компании создать практически целую образовательную экосистему и приучить миллионы детей к собственным продуктам с раннего возраста.
Аналогичная история происходит сейчас с ИИ. После активного продвижения информатики и программирования технологические компании переключились на AI-образование. Например, Code.org, поддерживавшаяся Google и Microsoft, сменила название на CodeAI.
При этом автор обращает внимание на конфликт интересов: компании одновременно предлагают школам технологии и заинтересованы в расширении рынка этих технологий. Поэтому корпоративная «благотворительность» может одновременно быть и маркетингом, и способом формирования нужного индустрии образовательного дискурса.
Результаты массовой цифровизации оказались неоднозначными: школы потратили десятки миллиардов долларов на устройства и приложения, но убедительных свидетельств значительного улучшения результатов обучения оказалось немного. Поэтому некоторые школы уже начинают сокращать использование устройств.
Самый интересный поворот в переходе от «обучения технологиям» к «пониманию технологий». Вместо того чтобы просто учить детей программировать или пользоваться ChatGPT, школы могут учить их задавать вопросы:
Кто создал эту технологию? Кто на ней зарабатывает? Кому она выгодна? Как она влияет на меня и общество?
Такой подход автор называет «технологической гражданственностью» (technological citizenship) — аналогом гражданского образования, но применительно к власти технологических корпораций и миру, всё больше формируемому ИИ.
Статья фактически предлагает перестать воспринимать Big Tech как нейтрального «помощника образования». Технологическая грамотность в эпоху ИИ должна включать не только умение пользоваться технологиями, но и понимание их экономических интересов, ограничений, рисков и общественных последствий.
Читать 14мин
Автор: Наташа Сингер
За последнее десятилетие Google, Microsoft, Apple, Amazon, Meta и OpenAI превратили американские школы в важную площадку для продвижения своих технологий, продуктов и мировоззрения.
Компании не просто поставляют школам ноутбуки, платформы и приложения. Они финансируют исследования, разрабатывают учебные материалы, обучают учителей, участвуют в формировании образовательных стандартов и лоббируют соответствующую образовательную политику.
Особенно показателен пример Google: бесплатные Chromebook и сервисы позволили компании создать практически целую образовательную экосистему и приучить миллионы детей к собственным продуктам с раннего возраста.
Аналогичная история происходит сейчас с ИИ. После активного продвижения информатики и программирования технологические компании переключились на AI-образование. Например, Code.org, поддерживавшаяся Google и Microsoft, сменила название на CodeAI.
При этом автор обращает внимание на конфликт интересов: компании одновременно предлагают школам технологии и заинтересованы в расширении рынка этих технологий. Поэтому корпоративная «благотворительность» может одновременно быть и маркетингом, и способом формирования нужного индустрии образовательного дискурса.
Результаты массовой цифровизации оказались неоднозначными: школы потратили десятки миллиардов долларов на устройства и приложения, но убедительных свидетельств значительного улучшения результатов обучения оказалось немного. Поэтому некоторые школы уже начинают сокращать использование устройств.
Самый интересный поворот в переходе от «обучения технологиям» к «пониманию технологий». Вместо того чтобы просто учить детей программировать или пользоваться ChatGPT, школы могут учить их задавать вопросы:
Кто создал эту технологию? Кто на ней зарабатывает? Кому она выгодна? Как она влияет на меня и общество?
Такой подход автор называет «технологической гражданственностью» (technological citizenship) — аналогом гражданского образования, но применительно к власти технологических корпораций и миру, всё больше формируемому ИИ.
Статья фактически предлагает перестать воспринимать Big Tech как нейтрального «помощника образования». Технологическая грамотность в эпоху ИИ должна включать не только умение пользоваться технологиями, но и понимание их экономических интересов, ограничений, рисков и общественных последствий.
Читать 14мин
Учить океан плавать
Автор Холлис Роббинс
ставит под сомнение применение модели «Большой пятёрки» (Big Five) для описания личности ИИ-моделей и предлагает перейти от статичных черт к контекстной, реляционной и нарративной модели личности.
«Большая пятёрка» — открытость, добросовестность, экстраверсия, доброжелательность и невротизм — возникла из лексического анализа человеческого языка. Исследователи из почти 18 тысяч слов, описывающих людей, последовательно выделили пять устойчивых факторов.
Проблема, по мнению автора, заключается в том, что при этом была потеряна значительная часть контекста, в котором существуют характеристики личности.
Многие слова, описывающие человека, невозможно интерпретировать вне ситуации:
«высокомерный» предполагает отношение к кому-то;
«пугающий» описывает воздействие на другого человека;
«мстительный» или «прощающий» предполагают предшествующие события;
«уклончивый» предполагает, что человек что-то скрывает от кого-то;
«саркастический» предполагает наличие слушателя.
Таким образом, личность проявляется не только как набор характеристик отдельного индивида, но и как система отношений, реакций, историй и взаимодействий.
Исследователи ИИ активно используют Big Five потому, что для неё уже существуют десятилетия исследований, стандартизированные анкеты и большие массивы человеческих данных. Но автор считает, что это создаёт ложное ощущение научной строгости.
Типичный эксперимент выглядит так: модели задают персону, предлагают пройти тест Big Five и затем оценивают полученные показатели. Но модель может одновременно соглашаться с утверждениями «Я экстраверт» и «Я интроверт», поскольку она оптимизируется под конкретный контекст запроса, а не обязательно формирует стабильное человеческое самоописание.
Более того, эксперименты показывают, что поведение ИИ-персон может существенно меняться после выполнения заданий, взаимодействия или изменения жизненного сценария. В некоторых исследованиях нарративная структура объясняла поведенческую вариативность значительно лучше, чем заданная персона.
Вместо того чтобы сводить личность LLM к пяти числовым координатам, Роббинс предлагает вернуться к гораздо более богатому лексическому пространству.
LLM способны работать с огромным количеством слов и семантических связей. Поэтому, считает автор, имеет смысл исследовать, как слова организуются по своим предпосылкам и контекстам, а не только по сходству значений.
Особенно важны четыре измерения, которые теряются в Big Five:
отношения → история → аудитория → самоанализ.
То есть вместо вопроса «Насколько эта модель экстравертна?» гораздо интереснее спрашивать:
«Как эта модель ведёт себя по отношению к конкретному человеку, в конкретной истории и в последовательности взаимодействий?»
Главный тезис статьи довольно радикален: личность нельзя адекватно представить как набор независимых черт. Особенно это справедливо для LLM, чьё поведение определяется языковым контекстом и последовательностью взаимодействий.
Автор предлагает рассматривать личность скорее как динамический паттерн поведения в контексте, а не как фиксированный профиль из пяти характеристик. Для AI-агентов это означает переход:
от personality traits (черт характера) → к personality-in-interaction (личности во взаимодействии);
от анкеты → к наблюдению за поведением;
от отдельного сценария → к истории взаимодействий;
от пяти факторов → к богатому семантическому и нарративному пространству.
«Большая пятёрка — это всего лишь способ плавания»: она может быть удобным инструментом, но не должна приниматься за саму природу личности.
Читать 5мин
Автор Холлис Роббинс
ставит под сомнение применение модели «Большой пятёрки» (Big Five) для описания личности ИИ-моделей и предлагает перейти от статичных черт к контекстной, реляционной и нарративной модели личности.
«Большая пятёрка» — открытость, добросовестность, экстраверсия, доброжелательность и невротизм — возникла из лексического анализа человеческого языка. Исследователи из почти 18 тысяч слов, описывающих людей, последовательно выделили пять устойчивых факторов.
Проблема, по мнению автора, заключается в том, что при этом была потеряна значительная часть контекста, в котором существуют характеристики личности.
Многие слова, описывающие человека, невозможно интерпретировать вне ситуации:
«высокомерный» предполагает отношение к кому-то;
«пугающий» описывает воздействие на другого человека;
«мстительный» или «прощающий» предполагают предшествующие события;
«уклончивый» предполагает, что человек что-то скрывает от кого-то;
«саркастический» предполагает наличие слушателя.
Таким образом, личность проявляется не только как набор характеристик отдельного индивида, но и как система отношений, реакций, историй и взаимодействий.
Исследователи ИИ активно используют Big Five потому, что для неё уже существуют десятилетия исследований, стандартизированные анкеты и большие массивы человеческих данных. Но автор считает, что это создаёт ложное ощущение научной строгости.
Типичный эксперимент выглядит так: модели задают персону, предлагают пройти тест Big Five и затем оценивают полученные показатели. Но модель может одновременно соглашаться с утверждениями «Я экстраверт» и «Я интроверт», поскольку она оптимизируется под конкретный контекст запроса, а не обязательно формирует стабильное человеческое самоописание.
Более того, эксперименты показывают, что поведение ИИ-персон может существенно меняться после выполнения заданий, взаимодействия или изменения жизненного сценария. В некоторых исследованиях нарративная структура объясняла поведенческую вариативность значительно лучше, чем заданная персона.
Вместо того чтобы сводить личность LLM к пяти числовым координатам, Роббинс предлагает вернуться к гораздо более богатому лексическому пространству.
LLM способны работать с огромным количеством слов и семантических связей. Поэтому, считает автор, имеет смысл исследовать, как слова организуются по своим предпосылкам и контекстам, а не только по сходству значений.
Особенно важны четыре измерения, которые теряются в Big Five:
отношения → история → аудитория → самоанализ.
То есть вместо вопроса «Насколько эта модель экстравертна?» гораздо интереснее спрашивать:
«Как эта модель ведёт себя по отношению к конкретному человеку, в конкретной истории и в последовательности взаимодействий?»
Главный тезис статьи довольно радикален: личность нельзя адекватно представить как набор независимых черт. Особенно это справедливо для LLM, чьё поведение определяется языковым контекстом и последовательностью взаимодействий.
Автор предлагает рассматривать личность скорее как динамический паттерн поведения в контексте, а не как фиксированный профиль из пяти характеристик. Для AI-агентов это означает переход:
от personality traits (черт характера) → к personality-in-interaction (личности во взаимодействии);
от анкеты → к наблюдению за поведением;
от отдельного сценария → к истории взаимодействий;
от пяти факторов → к богатому семантическому и нарративному пространству.
«Большая пятёрка — это всего лишь способ плавания»: она может быть удобным инструментом, но не должна приниматься за саму природу личности.
Читать 5мин
Прототипирование, масштабирование и стандартизация ИИ-репетиторов в школах
Автор: Бен Уильямсон
рассматривает политику Англии в отношении ИИ в школах не просто как внедрение новых технологий, а как систематический эксперимент по конструированию будущего образования. Государство пытается справиться с неопределённостью вокруг ИИ через последовательность: прототипирование → пилотирование → стандартизация → масштабирование.
1. Прототипирование. Государство фактически использует дизайн и инженерные методы как инструмент образовательной политики — не ожидает появления готовых доказательств эффективности ИИ, а само создаёт эти доказательства через эксперименты.
2. Школы как «живые лаборатории».
В рамках программы предполагается тестирование технологий в реальных классах, в том числе в 1000 школ и колледжей.
3. Стандартизация. Цель экспериментов — не просто определить, какие ИИ-инструменты эффективны, а создать национальный стандарт для ИИ в школьном образовании, который определит, какие продукты смогут масштабироваться и коммерциализироваться.
4. Шесть компаний получили по £300 тыс. на развитие своих решений. Среди участников — EdTech-компании и крупные игроки вроде Pearson, а некоторые проекты реализуются совместно с Google DeepMind и Anthropic. Государственная программа одновременно становится механизмом поддержки определённых коммерческих технологий и компаний.
Такой подход может превратить один конкретный технологический сценарий будущего в фактически обязательную модель. Национальный стандарт способен не только регулировать ИИ, но и заранее определить, каким должно быть обучение с ИИ, ограничивая альтернативные варианты развития школы.
Проблема особенно серьёзна потому, что пока нет достаточных доказательств, что ИИ действительно снижает нагрузку учителей или улучшает результаты обучения. При этом государство уже создаёт инфраструктуру, которая может сделать ИИ обязательным направлением образовательной реформы.
Читать 10мин)
Автор: Бен Уильямсон
рассматривает политику Англии в отношении ИИ в школах не просто как внедрение новых технологий, а как систематический эксперимент по конструированию будущего образования. Государство пытается справиться с неопределённостью вокруг ИИ через последовательность: прототипирование → пилотирование → стандартизация → масштабирование.
1. Прототипирование. Государство фактически использует дизайн и инженерные методы как инструмент образовательной политики — не ожидает появления готовых доказательств эффективности ИИ, а само создаёт эти доказательства через эксперименты.
2. Школы как «живые лаборатории».
В рамках программы предполагается тестирование технологий в реальных классах, в том числе в 1000 школ и колледжей.
3. Стандартизация. Цель экспериментов — не просто определить, какие ИИ-инструменты эффективны, а создать национальный стандарт для ИИ в школьном образовании, который определит, какие продукты смогут масштабироваться и коммерциализироваться.
4. Шесть компаний получили по £300 тыс. на развитие своих решений. Среди участников — EdTech-компании и крупные игроки вроде Pearson, а некоторые проекты реализуются совместно с Google DeepMind и Anthropic. Государственная программа одновременно становится механизмом поддержки определённых коммерческих технологий и компаний.
Такой подход может превратить один конкретный технологический сценарий будущего в фактически обязательную модель. Национальный стандарт способен не только регулировать ИИ, но и заранее определить, каким должно быть обучение с ИИ, ограничивая альтернативные варианты развития школы.
Проблема особенно серьёзна потому, что пока нет достаточных доказательств, что ИИ действительно снижает нагрузку учителей или улучшает результаты обучения. При этом государство уже создаёт инфраструктуру, которая может сделать ИИ обязательным направлением образовательной реформы.
Читать 10мин)
🦄Обзор технологических стартапов в образовании от 30.08.2026
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Компания Liner ИИ-агентов и инструменты, поддерживающие поиск, исследования, написание текстов и анализ информации, привлекла 36,1 млн долларов в рамках раунда финансирования серии C, поскольку платформа ИИ достигла 14 миллионов пользователей и базы данных в 500 миллионов записей.
Читать 4мин)
Поставщик платформы для духовного оздоровления и веры, компания InstaAstro привлекла 12 миллионов долларов США в рамках раунда финансирования серии А, возглавляемого Singularity AMC и Artha Venture Fund.
Читать 1мин)
Компания BOOKR (анимированные истории, которые делают изучение английского языка персонализированным, и панель управления для учителей с использованием ИИ, которая упрощает преподавание) привлекла 6,1 млн евро в рамках раунда финансирования серии А
Читать 3мин)
Utsav (бронирование пуджи, консультации пуджари, электронный прасад, освященный прасад и персонализированные ритуалы) привлекла 36 крор рупий (3,774 млн долларов США) в рамках раунда финансирования серии А, возглавляемого Atomic Capital
Читать 1мин)
Paloma помогает округам, участвующим в программе Title I, и организациям, управляющим школами, ускорить обучение, раскрывая нереализованный педагогический потенциал семей, и привлекает инвестиции в раунде серии А
Читать 3мин)
Поставщик инфраструктуры для обеспечения соответствия нормативным требованиям и обучения персонала, работающего в сфере ухода на дому и самостоятельного ухода, компания Nevvon получила стратегические инвестиции от BVP Forge
Читать 1мин)
Цифровая платформа, упрощающая оплату школьных сборов для родителей и обеспечивающая управление финансами в режиме реального времени для образовательных учреждений, Ecole Pay привлекла 167 тыс. долларов.
Читать 1мин)
В рамках программы EBRD Star Venture Programme была определена новая региональная группа из 13 стартапов из Центральной Азии, три из которых работают в сфере образовательных технологий (EdTech): OSNOVA - Платформа для карьерного планирования и развития цифровых навыков с поддержкой ИИ и геймифицированным обучением, Hi Doctor - Цифровое медицинское образование с использованием симуляций на основе ИИ и виртуальной тренировки пациентов, A1 Project - Усовершенствованное с помощью ИИ управление пространством, автоматизирующее операции для образовательных учреждений
Читать 1мин)
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Компания Liner ИИ-агентов и инструменты, поддерживающие поиск, исследования, написание текстов и анализ информации, привлекла 36,1 млн долларов в рамках раунда финансирования серии C, поскольку платформа ИИ достигла 14 миллионов пользователей и базы данных в 500 миллионов записей.
Читать 4мин)
Поставщик платформы для духовного оздоровления и веры, компания InstaAstro привлекла 12 миллионов долларов США в рамках раунда финансирования серии А, возглавляемого Singularity AMC и Artha Venture Fund.
Читать 1мин)
Компания BOOKR (анимированные истории, которые делают изучение английского языка персонализированным, и панель управления для учителей с использованием ИИ, которая упрощает преподавание) привлекла 6,1 млн евро в рамках раунда финансирования серии А
Читать 3мин)
Utsav (бронирование пуджи, консультации пуджари, электронный прасад, освященный прасад и персонализированные ритуалы) привлекла 36 крор рупий (3,774 млн долларов США) в рамках раунда финансирования серии А, возглавляемого Atomic Capital
Читать 1мин)
Paloma помогает округам, участвующим в программе Title I, и организациям, управляющим школами, ускорить обучение, раскрывая нереализованный педагогический потенциал семей, и привлекает инвестиции в раунде серии А
Читать 3мин)
Поставщик инфраструктуры для обеспечения соответствия нормативным требованиям и обучения персонала, работающего в сфере ухода на дому и самостоятельного ухода, компания Nevvon получила стратегические инвестиции от BVP Forge
Читать 1мин)
Цифровая платформа, упрощающая оплату школьных сборов для родителей и обеспечивающая управление финансами в режиме реального времени для образовательных учреждений, Ecole Pay привлекла 167 тыс. долларов.
Читать 1мин)
В рамках программы EBRD Star Venture Programme была определена новая региональная группа из 13 стартапов из Центральной Азии, три из которых работают в сфере образовательных технологий (EdTech): OSNOVA - Платформа для карьерного планирования и развития цифровых навыков с поддержкой ИИ и геймифицированным обучением, Hi Doctor - Цифровое медицинское образование с использованием симуляций на основе ИИ и виртуальной тренировки пациентов, A1 Project - Усовершенствованное с помощью ИИ управление пространством, автоматизирующее операции для образовательных учреждений
Читать 1мин)
Кто несёт ответственность, когда ИИ помогает писать научные работы?
Автор Роберт Браун
Проблема гораздо шире, чем просто решение, можно ли считать ИИ соавтором: речь идёт о том, кто получает научное признание и кто несёт ответственность за результат.
ИИ нельзя рассматривать как обычного участника исследовательской команды. Человек способен объяснить свой вклад, реагировать на критику и нести ответственность за ошибки, тогда как GenAI не способен отвечать за созданный им текст, анализ или идеи. При этом использование ИИ включает множество различных операций — поиск и синтез литературы, генерацию идей, написание и редактирование текста, классификацию и проверку информации. Существующая система авторства плохо отражает это новое распределение труда.
В существующей иерархической экономики научного авторства часть работы получает статус авторского вклада, часть превращается в «помощь» и упоминается в благодарностях, а часть вообще становится невидимой. Появление ИИ заставляет спросить: если синтез литературы с помощью ИИ может считаться существенным интеллектуальным вкладом, то почему аналогичная работа, выполненная младшим исследователем, не должна давать ему авторство?
Роберт Браун предлагает развивать существующую таксономию CRediT, которая распределяет вклад исследователей по конкретным ролям, создав её расширение — CRediT-AI. В такой системе не ИИ становится автором, а фиксируется способ, которым ИИ участвовал в работе человека. Например:
концептуализация — ИИ помогал генерировать идеи;
методология — помогал структурировать исследование;
анализ — помогал синтезировать материалы;
написание — помогал создавать и реструктурировать текст;
редактирование — помогал сокращать и улучшать текст.
При этом за каждой ролью сохраняется человек, а отдельно указывается характер использования ИИ.
Ключевым элементом становится обязательное заявление о проверке и подотчётности: авторы должны указывать, кто проверял результаты, полученные с помощью ИИ — например, корректность ссылок, литературы или программного кода.
Браун фактически предлагает перейти от вопроса «является ли ИИ автором?» к вопросу «как именно ИИ участвовал в создании научного результата и кто отвечает за этот вклад?».
При этом автор видит в GenAI не только угрозу. ИИ выявляет слабые места самой традиционной системы научного авторства — невидимый труд студентов, ассистентов, рецензентов, технических специалистов и даже людей, которые обеспечивают работу ИИ-систем через разметку данных, оценку моделей и инженерную инфраструктуру.
Прозрачность использования ИИ не следует рассматривать как проблему, которую необходимо скрывать. Напротив, она может стать поводом пересмотреть саму систему научного авторства, заслуг и ответственности. CRediT-AI не является окончательным решением, но может стать практическим механизмом, связывающим использование ИИ с человеческой ответственностью.
Читать 7мин
Автор Роберт Браун
Проблема гораздо шире, чем просто решение, можно ли считать ИИ соавтором: речь идёт о том, кто получает научное признание и кто несёт ответственность за результат.
ИИ нельзя рассматривать как обычного участника исследовательской команды. Человек способен объяснить свой вклад, реагировать на критику и нести ответственность за ошибки, тогда как GenAI не способен отвечать за созданный им текст, анализ или идеи. При этом использование ИИ включает множество различных операций — поиск и синтез литературы, генерацию идей, написание и редактирование текста, классификацию и проверку информации. Существующая система авторства плохо отражает это новое распределение труда.
В существующей иерархической экономики научного авторства часть работы получает статус авторского вклада, часть превращается в «помощь» и упоминается в благодарностях, а часть вообще становится невидимой. Появление ИИ заставляет спросить: если синтез литературы с помощью ИИ может считаться существенным интеллектуальным вкладом, то почему аналогичная работа, выполненная младшим исследователем, не должна давать ему авторство?
Роберт Браун предлагает развивать существующую таксономию CRediT, которая распределяет вклад исследователей по конкретным ролям, создав её расширение — CRediT-AI. В такой системе не ИИ становится автором, а фиксируется способ, которым ИИ участвовал в работе человека. Например:
концептуализация — ИИ помогал генерировать идеи;
методология — помогал структурировать исследование;
анализ — помогал синтезировать материалы;
написание — помогал создавать и реструктурировать текст;
редактирование — помогал сокращать и улучшать текст.
При этом за каждой ролью сохраняется человек, а отдельно указывается характер использования ИИ.
Ключевым элементом становится обязательное заявление о проверке и подотчётности: авторы должны указывать, кто проверял результаты, полученные с помощью ИИ — например, корректность ссылок, литературы или программного кода.
Браун фактически предлагает перейти от вопроса «является ли ИИ автором?» к вопросу «как именно ИИ участвовал в создании научного результата и кто отвечает за этот вклад?».
При этом автор видит в GenAI не только угрозу. ИИ выявляет слабые места самой традиционной системы научного авторства — невидимый труд студентов, ассистентов, рецензентов, технических специалистов и даже людей, которые обеспечивают работу ИИ-систем через разметку данных, оценку моделей и инженерную инфраструктуру.
Прозрачность использования ИИ не следует рассматривать как проблему, которую необходимо скрывать. Напротив, она может стать поводом пересмотреть саму систему научного авторства, заслуг и ответственности. CRediT-AI не является окончательным решением, но может стать практическим механизмом, связывающим использование ИИ с человеческой ответственностью.
Читать 7мин
Семь тезисов против разнообразия точек зрения
Автор: Лиза Сираганян
Автор выступает против идеи «разнообразия точек зрения» (viewpoint diversity) как принципа организации современного университета. Она считает, что под привлекательными лозунгами интеллектуального плюрализма всё чаще скрывается политический проект, направленный прежде всего на увеличение числа консервативных голосов в американской академии. Статья возникла на фоне требований администрации Трампа к Гарварду обеспечить «разнообразие точек зрения».
Главный аргумент автора: университет должен стремиться не к максимальному количеству мнений, а к истине и качеству знания. Если определённая теория убедительно опровергнута, нет необходимости искусственно сохранять её в учебном процессе только ради «разнообразия». В качестве примера приводится история моделей структуры ДНК: после убедительного подтверждения двойной спирали альтернативные модели перестали быть равноправными научными позициями.
Автор формулирует семь возражений:
Разнообразие точек зрения может противоречить поиску истины. Не все мнения имеют одинаковую познавательную ценность.
Оно имеет лишь инструментальную ценность. Разные взгляды полезны, если помогают приблизиться к истине, но не являются самоцелью.
Концепция политически избирательна. На практике под «разнообразием» часто понимается прежде всего увеличение числа консервативных голосов, а не представительство всех возможных идеологий.
Она может подрывать дисциплинарные стандарты. Университетские дисциплины вправе отвергать идеи, которые не соответствуют накопленным профессиональным знаниям.
Концепция внутренне непоследовательна. Нельзя одновременно утверждать, что все точки зрения должны быть представлены, и устанавливать критерии, по которым одни из них считаются желательными, а другие — нет.
«Разнообразие» уже используется как инструмент политического давления на университеты. Автор приводит примеры США и Венгрии, где под его прикрытием вводились механизмы контроля над преподавателями и академическими учреждениями.
Риторика разнообразия используется недобросовестно. По мнению автора, некоторые консервативные активисты заимствуют язык DEI («diversity, equity, inclusion»), одновременно выступая против самого DEI.
Автор не защищает интеллектуальную монокультуру и не утверждает, что университетам не нужны дискуссии. Напротив, она признаёт опасность группового мышления и самоцензуры. Но, по её мнению, правильный ответ на эти проблемы — не система идеологических квот, а сохранение академической свободы, профессиональных стандартов и открытой конкуренции аргументов.
По сути, статья проводит важное различие: университет должен быть разнообразным в своих вопросах и способах поиска истины, но не обязан быть разнообразным в количестве ошибочных ответов.
Спорная идея статьи: интеллектуальный плюрализм полезен как метод поиска истины, но становится проблемой, когда превращается в самостоятельную институциональную ценность.
Читать 14мин
Автор: Лиза Сираганян
Автор выступает против идеи «разнообразия точек зрения» (viewpoint diversity) как принципа организации современного университета. Она считает, что под привлекательными лозунгами интеллектуального плюрализма всё чаще скрывается политический проект, направленный прежде всего на увеличение числа консервативных голосов в американской академии. Статья возникла на фоне требований администрации Трампа к Гарварду обеспечить «разнообразие точек зрения».
Главный аргумент автора: университет должен стремиться не к максимальному количеству мнений, а к истине и качеству знания. Если определённая теория убедительно опровергнута, нет необходимости искусственно сохранять её в учебном процессе только ради «разнообразия». В качестве примера приводится история моделей структуры ДНК: после убедительного подтверждения двойной спирали альтернативные модели перестали быть равноправными научными позициями.
Автор формулирует семь возражений:
Разнообразие точек зрения может противоречить поиску истины. Не все мнения имеют одинаковую познавательную ценность.
Оно имеет лишь инструментальную ценность. Разные взгляды полезны, если помогают приблизиться к истине, но не являются самоцелью.
Концепция политически избирательна. На практике под «разнообразием» часто понимается прежде всего увеличение числа консервативных голосов, а не представительство всех возможных идеологий.
Она может подрывать дисциплинарные стандарты. Университетские дисциплины вправе отвергать идеи, которые не соответствуют накопленным профессиональным знаниям.
Концепция внутренне непоследовательна. Нельзя одновременно утверждать, что все точки зрения должны быть представлены, и устанавливать критерии, по которым одни из них считаются желательными, а другие — нет.
«Разнообразие» уже используется как инструмент политического давления на университеты. Автор приводит примеры США и Венгрии, где под его прикрытием вводились механизмы контроля над преподавателями и академическими учреждениями.
Риторика разнообразия используется недобросовестно. По мнению автора, некоторые консервативные активисты заимствуют язык DEI («diversity, equity, inclusion»), одновременно выступая против самого DEI.
Автор не защищает интеллектуальную монокультуру и не утверждает, что университетам не нужны дискуссии. Напротив, она признаёт опасность группового мышления и самоцензуры. Но, по её мнению, правильный ответ на эти проблемы — не система идеологических квот, а сохранение академической свободы, профессиональных стандартов и открытой конкуренции аргументов.
По сути, статья проводит важное различие: университет должен быть разнообразным в своих вопросах и способах поиска истины, но не обязан быть разнообразным в количестве ошибочных ответов.
Спорная идея статьи: интеллектуальный плюрализм полезен как метод поиска истины, но становится проблемой, когда превращается в самостоятельную институциональную ценность.
Читать 14мин
Согласие и формирование предпочтений
Автор Ричард Петтигрю
На первый взгляд, если человек добровольно соглашается отдать вещь или подвергнуться рискованной операции, этого должно быть достаточно. Но автор показывает, что согласие может быть морально проблематичным, если сами предпочтения человека сформировались под воздействием несправедливого социального давления.
При этом Петтигрю проводит важное различие между механизмами формирования таких предпочтений. Если человек вырабатывает их как способ избежать наказания или из-за искусственно ограниченной информационной среды, его согласие может быть неполностью эффективным. Но если давление лишь приводит человека к длительному контакту с объектом, благодаря которому он самостоятельно переосмысливает его ценность, согласие может оставаться полноценным. Пример — человек, который под давлением общества становится родителем, а затем благодаря непосредственному опыту действительно начинает ценить родительство.
Главная идея статьи: важно не только какие предпочтения сформировались у человека и были ли они подвержены внешнему влиянию, но и каким именно способом они сформировались и сколько пространства для самостоятельной воли этот процесс оставлял. Именно механизм формирования предпочтений определяет, насколько последующее согласие можно считать действительно свободным.
Читать 7мин
Автор Ричард Петтигрю
На первый взгляд, если человек добровольно соглашается отдать вещь или подвергнуться рискованной операции, этого должно быть достаточно. Но автор показывает, что согласие может быть морально проблематичным, если сами предпочтения человека сформировались под воздействием несправедливого социального давления.
При этом Петтигрю проводит важное различие между механизмами формирования таких предпочтений. Если человек вырабатывает их как способ избежать наказания или из-за искусственно ограниченной информационной среды, его согласие может быть неполностью эффективным. Но если давление лишь приводит человека к длительному контакту с объектом, благодаря которому он самостоятельно переосмысливает его ценность, согласие может оставаться полноценным. Пример — человек, который под давлением общества становится родителем, а затем благодаря непосредственному опыту действительно начинает ценить родительство.
Главная идея статьи: важно не только какие предпочтения сформировались у человека и были ли они подвержены внешнему влиянию, но и каким именно способом они сформировались и сколько пространства для самостоятельной воли этот процесс оставлял. Именно механизм формирования предпочтений определяет, насколько последующее согласие можно считать действительно свободным.
Читать 7мин
🦄Обзор технологических стартапов в образовании от 6.09.2026
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Компания Enhance привлекает 18,2 млн долларов для расширения своей платформы персональных тренировок в США
Читать 3мин)
Стартап Visko, занимающийся исследованиями в области ИИ, завершил предпосевный раунд финансирования на 10 миллионов долларов и запустил Orbis, свою первую «живую модель», которую транслирует в реальном времени.
Читать 3мин)
Египетская образовательная технологическая школа 3C Coding School, специализирующаяся на обучении молодежи технологиям,привлекла 3 млн долларов для расширения в Саудовскую Аравию
Читать 2мин)
Ваш персональный ИИ-репетитор YoLearn.ai привлекает посевное финансирование
Читать 1мин)
Платформа для обучения, пакистанский образовательный стартап Edversity получил стратегические инвестиции от Rapidev на LEAP 2026
Читать 2мин)
Компания Creedom привлекла 4,1 крор рупий (434 тыс. долларов США) для своего ИИ-тренера по развитию контента
Читать 1мин)
Тренажерный зал, но для вашей социальной жизни, под руководством пингвина Quippy примет участие в предстоящей группе F26 акселератора Y Combinator
Читать 1мин)
Duolingo для изучения чего угодно, Wondering присоединился к Y Combinator
Читать 1мин)
Проект AMAN, который наполняет ваши камеры интеллектуальными средствами защиты, получил 200 тысяч долларов
Читать 1мин)
Финтех-единорог Airwallex предоставил 10 стартапам, разрабатывающим решения на основе ИИ, по 100 000 долларов США каждому в виде безвозмездного капитала в рамках своей первой программы Latitude 37, среди которых Polarbear AI, который создает школы, ориентированные на ИИ, для поколения бета.
Читать 2мин)
Plus Eight Accelerator расширяет стартовый пул до 1 миллиона австралийских долларов для второй фазы, среди которых Semester Student Planner, который делает успехи учащихся повседневной привычкой с помощью индивидуальных планировщиков, которые не позволят вашим ученикам бросить учебу
Читать 2мин)
StepWave получает 40 000 швейцарских франков (50 000 долларов США) от Venture Kick для развития тренировок мозга и тела для профилактики деменции
Читать 2мин)
Легенда индийского крикета М.С. Дхони инвестирует в SPEAKX, онлайн-платформу, которая использует ИИ, чтобы помочь учащимся практиковать английский язык в ситуациях, актуальных для их повседневной жизни
Читать 1мин)
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Компания Enhance привлекает 18,2 млн долларов для расширения своей платформы персональных тренировок в США
Читать 3мин)
Стартап Visko, занимающийся исследованиями в области ИИ, завершил предпосевный раунд финансирования на 10 миллионов долларов и запустил Orbis, свою первую «живую модель», которую транслирует в реальном времени.
Читать 3мин)
Египетская образовательная технологическая школа 3C Coding School, специализирующаяся на обучении молодежи технологиям,привлекла 3 млн долларов для расширения в Саудовскую Аравию
Читать 2мин)
Ваш персональный ИИ-репетитор YoLearn.ai привлекает посевное финансирование
Читать 1мин)
Платформа для обучения, пакистанский образовательный стартап Edversity получил стратегические инвестиции от Rapidev на LEAP 2026
Читать 2мин)
Компания Creedom привлекла 4,1 крор рупий (434 тыс. долларов США) для своего ИИ-тренера по развитию контента
Читать 1мин)
Тренажерный зал, но для вашей социальной жизни, под руководством пингвина Quippy примет участие в предстоящей группе F26 акселератора Y Combinator
Читать 1мин)
Duolingo для изучения чего угодно, Wondering присоединился к Y Combinator
Читать 1мин)
Проект AMAN, который наполняет ваши камеры интеллектуальными средствами защиты, получил 200 тысяч долларов
Читать 1мин)
Финтех-единорог Airwallex предоставил 10 стартапам, разрабатывающим решения на основе ИИ, по 100 000 долларов США каждому в виде безвозмездного капитала в рамках своей первой программы Latitude 37, среди которых Polarbear AI, который создает школы, ориентированные на ИИ, для поколения бета.
Читать 2мин)
Plus Eight Accelerator расширяет стартовый пул до 1 миллиона австралийских долларов для второй фазы, среди которых Semester Student Planner, который делает успехи учащихся повседневной привычкой с помощью индивидуальных планировщиков, которые не позволят вашим ученикам бросить учебу
Читать 2мин)
StepWave получает 40 000 швейцарских франков (50 000 долларов США) от Venture Kick для развития тренировок мозга и тела для профилактики деменции
Читать 2мин)
Легенда индийского крикета М.С. Дхони инвестирует в SPEAKX, онлайн-платформу, которая использует ИИ, чтобы помочь учащимся практиковать английский язык в ситуациях, актуальных для их повседневной жизни
Читать 1мин)
Статистика использования ИИ в образовании 2026: университеты не могут выявить мошенников, использующих ИИ, и преподаватели выгорают
Автор Винси Коул
Использование технологий стало массовым гораздо быстрее, чем образовательная система успела адаптироваться к ним.
- ИИ уже стал нормой: его используют около 86% студентов в мире и 60% американских учителей; в Великобритании — до 94% учащихся. ChatGPT остается главным инструментом.
- Инфраструктура и правила отстают: лишь около 26% образовательных организаций имеют официальную политику по ИИ, а рекомендации получают только 18% преподавателей.
- ИИ-детекторы не решают проблему академической честности: они выявляют лишь около 40% AI-generated контента. Поэтому десятки университетов отказались от таких инструментов.
- ИИ одновременно помогает и создает нагрузку: регулярное использование ИИ учителями позволяет экономить около 5,9 часа в неделю, но более половины школьных учителей сообщают о выгорании.
- Главный риск — не замена преподавателя, а системный разрыв: технологии внедряются снизу — студентами и отдельными преподавателями, тогда как правила, обучение персонала и институциональные механизмы контроля не успевают за этим процессом.
- Возникают и более глубокие вопросы: как ИИ влияет на грамотность, самостоятельность студентов, исследовательские навыки и начальные профессии в образовании.
Главный вопрос — как перестроить оценивание, академическую честность, подготовку преподавателей и образовательную политику под реальность, в которой ИИ стал повседневным инструментом обучения.
Читать 3мин)
Автор Винси Коул
Использование технологий стало массовым гораздо быстрее, чем образовательная система успела адаптироваться к ним.
- ИИ уже стал нормой: его используют около 86% студентов в мире и 60% американских учителей; в Великобритании — до 94% учащихся. ChatGPT остается главным инструментом.
- Инфраструктура и правила отстают: лишь около 26% образовательных организаций имеют официальную политику по ИИ, а рекомендации получают только 18% преподавателей.
- ИИ-детекторы не решают проблему академической честности: они выявляют лишь около 40% AI-generated контента. Поэтому десятки университетов отказались от таких инструментов.
- ИИ одновременно помогает и создает нагрузку: регулярное использование ИИ учителями позволяет экономить около 5,9 часа в неделю, но более половины школьных учителей сообщают о выгорании.
- Главный риск — не замена преподавателя, а системный разрыв: технологии внедряются снизу — студентами и отдельными преподавателями, тогда как правила, обучение персонала и институциональные механизмы контроля не успевают за этим процессом.
- Возникают и более глубокие вопросы: как ИИ влияет на грамотность, самостоятельность студентов, исследовательские навыки и начальные профессии в образовании.
Главный вопрос — как перестроить оценивание, академическую честность, подготовку преподавателей и образовательную политику под реальность, в которой ИИ стал повседневным инструментом обучения.
Читать 3мин)
Искусственный интеллект для академических библиотек: модели ИИ с открытым исходным кодом для локального и частного использования
Автор: Кари Д. Уивер
Рассматриваются локальные ИИ-модели с открытыми весами как перспективную альтернативу коммерческим сервисам для академических библиотек. Главная проблема коммерческих моделей вроде ChatGPT, Claude и Gemini — зависимость от внешних облачных платформ, стоимость, вопросы конфиденциальности и контроля над пользовательскими данными. Локальный запуск позволяет библиотекам лучше соответствовать профессиональным принципам конфиденциальности, интеллектуальной свободы и равного доступа к информации.
Среди них два инструмента для локального запуска моделей:
LM Studio — удобный графический инструмент для библиотекарей и других пользователей без технических навыков; особенно подходит для экспериментов, обучения и пилотных проектов.
Ollama — более гибкое решение для технических команд и институционального развертывания, позволяющее создавать частные ИИ-сервисы и подключать их к библиотечным системам.
В качестве перспективных моделей рассматриваются Ministral-3 14B, Qwen3 14B и Olmo-3. Они могут использоваться для поиска информации, анализа документов, автоматического создания метаданных, каталогизации, перевода и поддержки исследовательской работы. При этом выбор модели должен учитывать доступное компьютерное оборудование, поскольку локальные модели требуют значительных ресурсов.
Академическим библиотекам необязательно полагаться исключительно на коммерческие ИИ-платформы. Развитие открытых весов и локального запуска делает возможным создание более приватной, контролируемой и соответствующей библиотечным ценностям ИИ-инфраструктуры, причем уже без обязательной потребности в специализированных серверах.
Это движение от модели «библиотека пользуется чужим ИИ-сервисом» к модели «библиотека сама контролирует свой ИИ». Для университетов это особенно важно в работе с научными текстами, персональными данными, закрытыми коллекциями и интеллектуальной собственностью.
Читать 9мин)
Автор: Кари Д. Уивер
Рассматриваются локальные ИИ-модели с открытыми весами как перспективную альтернативу коммерческим сервисам для академических библиотек. Главная проблема коммерческих моделей вроде ChatGPT, Claude и Gemini — зависимость от внешних облачных платформ, стоимость, вопросы конфиденциальности и контроля над пользовательскими данными. Локальный запуск позволяет библиотекам лучше соответствовать профессиональным принципам конфиденциальности, интеллектуальной свободы и равного доступа к информации.
Среди них два инструмента для локального запуска моделей:
LM Studio — удобный графический инструмент для библиотекарей и других пользователей без технических навыков; особенно подходит для экспериментов, обучения и пилотных проектов.
Ollama — более гибкое решение для технических команд и институционального развертывания, позволяющее создавать частные ИИ-сервисы и подключать их к библиотечным системам.
В качестве перспективных моделей рассматриваются Ministral-3 14B, Qwen3 14B и Olmo-3. Они могут использоваться для поиска информации, анализа документов, автоматического создания метаданных, каталогизации, перевода и поддержки исследовательской работы. При этом выбор модели должен учитывать доступное компьютерное оборудование, поскольку локальные модели требуют значительных ресурсов.
Академическим библиотекам необязательно полагаться исключительно на коммерческие ИИ-платформы. Развитие открытых весов и локального запуска делает возможным создание более приватной, контролируемой и соответствующей библиотечным ценностям ИИ-инфраструктуры, причем уже без обязательной потребности в специализированных серверах.
Это движение от модели «библиотека пользуется чужим ИИ-сервисом» к модели «библиотека сама контролирует свой ИИ». Для университетов это особенно важно в работе с научными текстами, персональными данными, закрытыми коллекциями и интеллектуальной собственностью.
Читать 9мин)
«Предсказатель следующего токена» — это неправильная ментальная модель для LLM
Автор Гаррин Макголдрик
Вопрос, чему современная LLM фактически обучается после предварительного обучения.
- Pretraining: модель учится повышать вероятность токена, который действительно следовал за предыдущими токенами в корпусе. Это действительно next-token prediction.
- RLVR: модель генерирует различные варианты решения, получает за них вознаграждение и повышает вероятность тех последовательностей, которые привели к хорошему результату. Здесь уже нет «правильного следующего токена» — есть цель, которую нужно оптимизировать.
- RLHF: модель дополнительно обучается вести себя как полезный ассистент, а не просто воспроизводить статистические закономерности обучающих данных.
Аналогия автора — шахматы. Можно обучить систему предсказывать ход, который обычно сделал бы гроссмейстер, а можно обучить её выбирать ход, который максимизирует вероятность победы. Внешне обе системы делают одно и то же — выбирают следующий ход, — но внутренне оптимизируют разные цели.
Отсюда главный тезис: «next-token prediction» описывает форму работы LLM, но не обязательно её функциональную сущность после постобучения.
Если воспринимать LLM только как «предсказатель следующего слова», легко прийти к выводу:
LLM = статистическая имитация существующих знаний.
А если учитывать RL, reasoning и exploration, появляется другая модель:
LLM = обучаемая система, которая может не только воспроизводить паттерны, но и искать решения в пространстве возможных последовательностей, если существует критерий качества.
Возникает очень интересный переход и для педагогики:
передать модели правильный ответ → научить модель находить правильный ответ → научить модель оптимизировать образовательный результат.
Последний шаг потенциально ведёт уже к AI-агентам и Human–AI Learning Systems, а не просто к использованию чат-ботов в обучении.
Читать 3мин)
Автор Гаррин Макголдрик
Вопрос, чему современная LLM фактически обучается после предварительного обучения.
- Pretraining: модель учится повышать вероятность токена, который действительно следовал за предыдущими токенами в корпусе. Это действительно next-token prediction.
- RLVR: модель генерирует различные варианты решения, получает за них вознаграждение и повышает вероятность тех последовательностей, которые привели к хорошему результату. Здесь уже нет «правильного следующего токена» — есть цель, которую нужно оптимизировать.
- RLHF: модель дополнительно обучается вести себя как полезный ассистент, а не просто воспроизводить статистические закономерности обучающих данных.
Аналогия автора — шахматы. Можно обучить систему предсказывать ход, который обычно сделал бы гроссмейстер, а можно обучить её выбирать ход, который максимизирует вероятность победы. Внешне обе системы делают одно и то же — выбирают следующий ход, — но внутренне оптимизируют разные цели.
Отсюда главный тезис: «next-token prediction» описывает форму работы LLM, но не обязательно её функциональную сущность после постобучения.
Если воспринимать LLM только как «предсказатель следующего слова», легко прийти к выводу:
LLM = статистическая имитация существующих знаний.
А если учитывать RL, reasoning и exploration, появляется другая модель:
LLM = обучаемая система, которая может не только воспроизводить паттерны, но и искать решения в пространстве возможных последовательностей, если существует критерий качества.
Возникает очень интересный переход и для педагогики:
передать модели правильный ответ → научить модель находить правильный ответ → научить модель оптимизировать образовательный результат.
Последний шаг потенциально ведёт уже к AI-агентам и Human–AI Learning Systems, а не просто к использованию чат-ботов в обучении.
Читать 3мин)
Конечно заголовок статьи “Are teenagers growing dimmer?” (Не глупеют ли подростки) нельзя воспринимать буквально.
PISA не измеряет «интеллект подростков». Она измеряет определённые образовательные компетенции — математику, чтение и science literacy.
Поэтому из результатов нельзя сделать вывод:
«У нового поколения падает IQ».
Правильнее:
Молодые люди в ряде развитых стран стали хуже выполнять определённые задачи, требующие математического, читательского и прикладного рассуждения.
И это уже действительно серьёзная проблема.
Стоит отметить и другие мнения, например Андреаса Шлейхера— одного из создателей PISA — в отдельной публикации в The Economist в тот же день (Economist описывает его материал как комментарий основателя PISA)
Andreas Schleicher: «Stop turning schoolchildren into crash-test dummies» (Прекратите превращать школьников в манекены для краш-тестов.)
Он предупреждает, что школьников нельзя превращать в «краш-тестовых манекенов» для образовательных экспериментов. Это критика бессистемной цифровизации:
Проблема может быть не в том, что дети «стали хуже», а в том, что образовательные системы слишком часто экспериментируют, не понимая, что именно работает. С другой стороны как определить “что работает” без проведения экспериментов (в том числе массовых)?
В тот же день Economist опубликовал отдельный материал:
“Does AI stop children from learning? New data show the peril and promise of the technology” (Препятствует ли искусственный интеллект обучению детей? Новые данные показывают опасность и перспективы этой технологии.)
То есть редакция фактически рассматривает три связанные проблемы:
падение результатов → технологизация образования → AI.
Economist правильно отделяет долгосрочный тренд от пандемийного шока.
Если бы результаты просто упали в 2020–2022 годах, COVID был бы очевидным объяснением. Но тренд начался раньше и продолжается после пандемии.
А вот причинная часть значительно менее определённа.
Возможные факторы образуют целый «букет»:
COVID, пропуски школы, ухудшение дисциплины, снижение времени на обучение, смартфоны и социальные сети, изменение поведения подростков, неудачная цифровизация, изменение педагогики, возможное снижение требований, ИИ как новый способ обходить когнитивную работу.
И пока мы не знаем, какой из этих факторов является главным.
Из статьи следует вывод, несколько отличный от её заголовка.
Проблема современного образования, возможно, не в недостатке технологий, а в недостатке доказательности при их внедрении.
Мы фактически провели огромный глобальный эксперимент:
Сначала компьютеры →затем интернет →затем LMS →затем смартфоны →затем 1:1 devices →затем EdTech платформы →теперь разные модели ИИ.
При этом образовательные результаты во многих развитых странах не растут, а падают.
Это заставляет перейти от вопроса: «Какую новую технологию мы можем дать школе?» к гораздо более жёсткому: «Какую когнитивную работу эта технология заставляет ученика делать — а какую позволяет ему не делать?»
PISA не измеряет «интеллект подростков». Она измеряет определённые образовательные компетенции — математику, чтение и science literacy.
Поэтому из результатов нельзя сделать вывод:
«У нового поколения падает IQ».
Правильнее:
Молодые люди в ряде развитых стран стали хуже выполнять определённые задачи, требующие математического, читательского и прикладного рассуждения.
И это уже действительно серьёзная проблема.
Стоит отметить и другие мнения, например Андреаса Шлейхера— одного из создателей PISA — в отдельной публикации в The Economist в тот же день (Economist описывает его материал как комментарий основателя PISA)
Andreas Schleicher: «Stop turning schoolchildren into crash-test dummies» (Прекратите превращать школьников в манекены для краш-тестов.)
Он предупреждает, что школьников нельзя превращать в «краш-тестовых манекенов» для образовательных экспериментов. Это критика бессистемной цифровизации:
Проблема может быть не в том, что дети «стали хуже», а в том, что образовательные системы слишком часто экспериментируют, не понимая, что именно работает. С другой стороны как определить “что работает” без проведения экспериментов (в том числе массовых)?
В тот же день Economist опубликовал отдельный материал:
“Does AI stop children from learning? New data show the peril and promise of the technology” (Препятствует ли искусственный интеллект обучению детей? Новые данные показывают опасность и перспективы этой технологии.)
То есть редакция фактически рассматривает три связанные проблемы:
падение результатов → технологизация образования → AI.
Economist правильно отделяет долгосрочный тренд от пандемийного шока.
Если бы результаты просто упали в 2020–2022 годах, COVID был бы очевидным объяснением. Но тренд начался раньше и продолжается после пандемии.
А вот причинная часть значительно менее определённа.
Возможные факторы образуют целый «букет»:
COVID, пропуски школы, ухудшение дисциплины, снижение времени на обучение, смартфоны и социальные сети, изменение поведения подростков, неудачная цифровизация, изменение педагогики, возможное снижение требований, ИИ как новый способ обходить когнитивную работу.
И пока мы не знаем, какой из этих факторов является главным.
Из статьи следует вывод, несколько отличный от её заголовка.
Проблема современного образования, возможно, не в недостатке технологий, а в недостатке доказательности при их внедрении.
Мы фактически провели огромный глобальный эксперимент:
Сначала компьютеры →затем интернет →затем LMS →затем смартфоны →затем 1:1 devices →затем EdTech платформы →теперь разные модели ИИ.
При этом образовательные результаты во многих развитых странах не растут, а падают.
Это заставляет перейти от вопроса: «Какую новую технологию мы можем дать школе?» к гораздо более жёсткому: «Какую когнитивную работу эта технология заставляет ученика делать — а какую позволяет ему не делать?»
Обзор мирового рынка обучения и образования за 2 квартал 2026 года
Автор: Oppenheimer & Co. Inc.
Саммари обзора
1. Венчурные инвестиции остаются стабильными, хотя и с некоторыми крупными сделками, несмотря на сохраняющуюся осторожность инвесторов.
2. Обучение персонала, ориентированное на востребованные и устойчивые навыки, остается явным центром энтузиазма инвесторов.
3. Капитал по-прежнему сконцентрирован в Северной Америке и Европе, в то время как Китай вновь становится рынком в краткосрочной перспективе; западные рынки продолжают доминировать в сфере финансирования, но ослабление опасений по поводу регулирования и возобновление внимания к масштабам Китая улучшают ожидания инвесторов в отношении региона.
4. Активность в сфере слияний и поглощений остается низкой, поскольку покупатели отдают приоритет стратегическому соответствию, а не масштабу; однако круг покупателей также расширяется, поскольку некоммерческие организации становятся более активными.
5. Показатели публичных рынков остаются сильно разрозненными, поскольку некоторые операторы выиграли от улучшения настроений инвесторов и роста цен на акции, в то время как операторы высшего образования оказались под давлением на фоне ограничений кредитования, вызванных государственной политикой.
Читать 4мин)
Автор: Oppenheimer & Co. Inc.
Саммари обзора
1. Венчурные инвестиции остаются стабильными, хотя и с некоторыми крупными сделками, несмотря на сохраняющуюся осторожность инвесторов.
2. Обучение персонала, ориентированное на востребованные и устойчивые навыки, остается явным центром энтузиазма инвесторов.
3. Капитал по-прежнему сконцентрирован в Северной Америке и Европе, в то время как Китай вновь становится рынком в краткосрочной перспективе; западные рынки продолжают доминировать в сфере финансирования, но ослабление опасений по поводу регулирования и возобновление внимания к масштабам Китая улучшают ожидания инвесторов в отношении региона.
4. Активность в сфере слияний и поглощений остается низкой, поскольку покупатели отдают приоритет стратегическому соответствию, а не масштабу; однако круг покупателей также расширяется, поскольку некоммерческие организации становятся более активными.
5. Показатели публичных рынков остаются сильно разрозненными, поскольку некоторые операторы выиграли от улучшения настроений инвесторов и роста цен на акции, в то время как операторы высшего образования оказались под давлением на фоне ограничений кредитования, вызванных государственной политикой.
Читать 4мин)
Рамки применения ИИ в подготовке педагогов
Автор: Программный консультативный комитет AACTE по инновациям и технологиям
Фреймворк AACTE задаёт человекоцентричную модель интеграции ИИ в подготовку педагогов. Его главная идея: ИИ должен усиливать профессиональные возможности учителя, но не заменять его педагогическое и этическое суждение.
Фреймворк построен вокруг 4 принципов и 12 направлений:
1. Этические и политические ограничения
- право преподавателей и студентов отказаться от ИИ;
- обязательная AI-грамотность, включающая понимание ограничений, предвзятости, приватности и авторского права;
- обеспечение равного доступа к ИИ и доступности инструментов для людей с ограниченными возможностями.
2. Клиническая практика и внедрение
- будущие учителя должны различать традиционный/аналитический ИИ, адаптивные системы, генеративный и агентный ИИ;
- AI-компетенции должны формироваться не разовыми курсами, а через непрерывное профессиональное развитие;
- результаты ИИ необходимо проверять человеком, а решения с высокой ответственностью нельзя полностью передавать алгоритмам.
3. Когнитивная архитектура и защита интересов
- образовательный ИИ следует совместно проектировать с педагогами;
- требовать доказательств его безопасности и образовательной эффективности;
- учить будущих педагогов распознавать автоматизационную и алгоритмическую предвзятость;
- использовать ИИ для снижения рутинной когнитивной нагрузки, освобождая время для сложного педагогического мышления.
4. Профессиональный опыт и человеческое суждение
- окончательное профессиональное решение остаётся за педагогом;
- ИИ не отменяет необходимости глубоких предметных знаний и педагогической экспертизы;
- отношения «учитель–ученик», доверие, чувство принадлежности и культурная восприимчивость рассматриваются как принципиально человеческая часть образования.
Формула: AI literacy + этические ограничения + human oversight + профессиональная экспертиза + человеческие отношения.
Чем мощнее становится ИИ, тем выше, а не ниже, требования к квалификации педагога. ИИ должен брать на себя рутинные и вспомогательные операции, тогда как ответственность за значимые образовательные решения, интерпретацию контекста и отношения с учащимися остаётся у человека.
Фреймворк рассматривает AI-грамотность не как умение «правильно пользоваться ChatGPT», а как сочетание технического понимания ИИ, критического мышления, этики, педагогического суждения и метакогниции. Это рамка профессиональной трансформации учителя, чем просто рекомендациями по цифровым инструментам.
Читать 14мин)
Автор: Программный консультативный комитет AACTE по инновациям и технологиям
Фреймворк AACTE задаёт человекоцентричную модель интеграции ИИ в подготовку педагогов. Его главная идея: ИИ должен усиливать профессиональные возможности учителя, но не заменять его педагогическое и этическое суждение.
Фреймворк построен вокруг 4 принципов и 12 направлений:
1. Этические и политические ограничения
- право преподавателей и студентов отказаться от ИИ;
- обязательная AI-грамотность, включающая понимание ограничений, предвзятости, приватности и авторского права;
- обеспечение равного доступа к ИИ и доступности инструментов для людей с ограниченными возможностями.
2. Клиническая практика и внедрение
- будущие учителя должны различать традиционный/аналитический ИИ, адаптивные системы, генеративный и агентный ИИ;
- AI-компетенции должны формироваться не разовыми курсами, а через непрерывное профессиональное развитие;
- результаты ИИ необходимо проверять человеком, а решения с высокой ответственностью нельзя полностью передавать алгоритмам.
3. Когнитивная архитектура и защита интересов
- образовательный ИИ следует совместно проектировать с педагогами;
- требовать доказательств его безопасности и образовательной эффективности;
- учить будущих педагогов распознавать автоматизационную и алгоритмическую предвзятость;
- использовать ИИ для снижения рутинной когнитивной нагрузки, освобождая время для сложного педагогического мышления.
4. Профессиональный опыт и человеческое суждение
- окончательное профессиональное решение остаётся за педагогом;
- ИИ не отменяет необходимости глубоких предметных знаний и педагогической экспертизы;
- отношения «учитель–ученик», доверие, чувство принадлежности и культурная восприимчивость рассматриваются как принципиально человеческая часть образования.
Формула: AI literacy + этические ограничения + human oversight + профессиональная экспертиза + человеческие отношения.
Чем мощнее становится ИИ, тем выше, а не ниже, требования к квалификации педагога. ИИ должен брать на себя рутинные и вспомогательные операции, тогда как ответственность за значимые образовательные решения, интерпретацию контекста и отношения с учащимися остаётся у человека.
Фреймворк рассматривает AI-грамотность не как умение «правильно пользоваться ChatGPT», а как сочетание технического понимания ИИ, критического мышления, этики, педагогического суждения и метакогниции. Это рамка профессиональной трансформации учителя, чем просто рекомендациями по цифровым инструментам.
Читать 14мин)
Перформативный театр: почему аналитика обучения терпит неудачу на практике
Автор Колин Бир
Learning Analytics часто не работает в университетах не из-за плохих технологий, а из-за неправильной логики их внедрения.
Есть два подхода:
1. «Установил и забыл»
2. «Внедрение как исследование»
Второй подход принципиально необходим для аналитики обучения, потому что аналитическая система не является нейтральным программным инструментом. Она содержит определённые представления о том, что такое обучение, что считать успехом, кого считать «рисковым» студентом и какие данные считать значимыми.
Термин «Аудитируемый театр» потому что университету важно продемонстрировать, что система внедрена; преподаватели ею пользуются; все показатели зелёные; риски автоматически выявляются; KPI выполнены.
Но это может создавать иллюзию успеха, не имеющую отношения к реальному улучшению обучения.
«Внизу» преподаватели начинают формально выполнять требования системы, но фактически перестают ей доверять. То есть возникает парадокс: чем успешнее система выглядит с административной точки зрения, тем менее полезной она может быть для реальной педагогической работы.
Если система считает, например, что: «студент имеет высокий риск отчисления, потому что он редко входит в LMS», она уже содержит определённую теорию того, как выглядит нормальное обучение.
Но преподаватель может знать не введенные данные о студенте. Поэтому алгоритм без постоянной проверки его предпосылок может не просто ошибаться — он может навязывать университету определённое понимание образования.
Колин Бир предлагает три шага:
1. Считать обходные пути и недовольство преподавателей данными для диагностики, а не сопротивлением цифровизации.
2. Соединить разработчиков, data scientists и преподавателей.
3. Оценивать не факт внедрения, а способность системы учиться и изменяться.
То есть вопрос не в том: «Внедрили ли мы Learning Analytics?» а в том: «Что мы узнали благодаря ней и что изменили в следующей итерации?»
Также для AI в образовании: AI/аналитическая система должна рассматриваться не как готовый источник решений, а как участник экспериментального контура «данные → гипотеза → действие → наблюдение → рефлексия → изменение системы». Это очень близко к идее перехода от простого AI-инструмента к Human–AI Learning System.
Читать 3мин)
Автор Колин Бир
Learning Analytics часто не работает в университетах не из-за плохих технологий, а из-за неправильной логики их внедрения.
Есть два подхода:
1. «Установил и забыл»
2. «Внедрение как исследование»
Второй подход принципиально необходим для аналитики обучения, потому что аналитическая система не является нейтральным программным инструментом. Она содержит определённые представления о том, что такое обучение, что считать успехом, кого считать «рисковым» студентом и какие данные считать значимыми.
Термин «Аудитируемый театр» потому что университету важно продемонстрировать, что система внедрена; преподаватели ею пользуются; все показатели зелёные; риски автоматически выявляются; KPI выполнены.
Но это может создавать иллюзию успеха, не имеющую отношения к реальному улучшению обучения.
«Внизу» преподаватели начинают формально выполнять требования системы, но фактически перестают ей доверять. То есть возникает парадокс: чем успешнее система выглядит с административной точки зрения, тем менее полезной она может быть для реальной педагогической работы.
Если система считает, например, что: «студент имеет высокий риск отчисления, потому что он редко входит в LMS», она уже содержит определённую теорию того, как выглядит нормальное обучение.
Но преподаватель может знать не введенные данные о студенте. Поэтому алгоритм без постоянной проверки его предпосылок может не просто ошибаться — он может навязывать университету определённое понимание образования.
Колин Бир предлагает три шага:
1. Считать обходные пути и недовольство преподавателей данными для диагностики, а не сопротивлением цифровизации.
2. Соединить разработчиков, data scientists и преподавателей.
3. Оценивать не факт внедрения, а способность системы учиться и изменяться.
То есть вопрос не в том: «Внедрили ли мы Learning Analytics?» а в том: «Что мы узнали благодаря ней и что изменили в следующей итерации?»
Также для AI в образовании: AI/аналитическая система должна рассматриваться не как готовый источник решений, а как участник экспериментального контура «данные → гипотеза → действие → наблюдение → рефлексия → изменение системы». Это очень близко к идее перехода от простого AI-инструмента к Human–AI Learning System.
Читать 3мин)