- Сообщения
- 8.436
- Реакции
- 11.083
В последние два года разговор об искусственном интеллекте сменил тон с восторженного на трезвый. По мере того как генеративные модели вошли в учебные классы, офисные задачи и творческие практики, стало проще не только ускорять работу, но и системно проверять цену этого ускорения для человеческого мышления. Возникли конкретные вопросы: что происходит с вниманием при регулярной опоре на подсказки модели, как меняется память при совместном письме с ассистентом, что будет с критическим мышлением и переносом знаний из одной задачи в другую. Этот обзор аккумулирует свежие эмпирические результаты 2024-2025 годов и предлагает рабочую рамку интерпретации, где эффективность и когнитивные издержки рассматриваются вместе, без сенсационных выводов и без морализаторства.
Начать полезно с того, что лучше всего измерено.
Серия рандомизированных экспериментов в знаниях и образовании показывает устойчивую картину: генеративный ИИ повышает скорость и качество выполнения стандартных задач письма и анализа, причем особенно выражено у менее опытных исполнителей. В классическом исследовании продуктивности на профессиональных заданиях участники, имевшие доступ к чат-ассистенту, тратили меньше времени и получали более высокие оценки итогов. В образовательных экспериментах с ИИ-тьюторами фиксируется не только прирост показателей тестов, но и сокращение времени на освоение материала при более высоком ощущении вовлеченности. Эффект выше там, где сценарии и подсказки построены по дидактическим правилам и где система задает вопросы, а не подменяет ответ. Это подтверждает интуицию: если ИИ развернут как педагогический инструмент с акцентом на активное извлечение знаний, он способен усилить обучение без необходимости постоянного контроля со стороны преподавателя.
Однако эта же волна данных предъявляет и обратную сторону.
В задачах, где существенна эпистемическая аккуратность и перенос знаний, картина неоднородна. Рандомизированные исследования в университетских курсах и мета-аналитические сводки отмечают парадокс: итоговые работы при поддержке модели выглядят лучше по формальным признакам, но прирост в долговременном запоминании и умении переносить способы решения на новые контексты не гарантирован. Более того, в задачах за пределами так называемой техно-фронтиры - когда проблема требует гибридного мышления, нестандартной декомпозиции и доменной экспертизы - ИИ нередко повышает уверенность и снижает бдительность, то есть усиливает автомационную предвзятость. Человек склонен доверять уверенно сформулированному совету и прекращать самостоятельный поиск. Это экономит усилие, но ухудшает калибровку ошибки и мешает развивать стратегию проверки гипотез.
Одним из самых обсуждаемых в 2025 году стал вопрос о нейрофизиологической стороне совместного письма с ИИ.
Долгосрочное наблюдение с регистрацией мозговой активности на выборке взрослых показало: группы, писавшие тексты с помощью чат-ассистента, демонстрировали более низкое вовлечение по ряду показателей и хуже вспоминали собственные тексты через время. Доля участников, не способных воспроизвести фрагмент собственного эссе, была кратно выше там, где опирались на ассистента. Исследование опубликовано как препринт, и критически важно помнить о его статусе и ограничениях выборки. Но совокупность поведенческих результатов - снижение чувства авторства, слабее выраженное активное извлечение знаний, меньшее напряжение систем внимания - логично ложится в рамку когнитивного оффлоадинга: когда часть мыслительных операций передается внешнему агенту, мозг экономит усилие здесь и сейчас и недополучает тренировку, важную для формирования долговременной памяти.
Важно, что когнитивный оффлоадинг сам по себе не зло, а инструмент.
Мы десятилетиями переносим память на записные книжки и цифровые календари. Ключевой вопрос - какие именно операции мы отдаем на аутсорсинг и как компенсируем это в учебном или рабочем процессе. Последние обзоры и экспериментальные работы в образовательных науках формулируют тревогу точнее: генеративные модели могут запускать метакогнитивную ленивость - эффект, при котором люди сохраняют мотивацию и даже получают лучшие оценки за эссе, но при этом реже практикуют проверку понимания, хуже удерживают алгоритмы решений и слабее переносят их в новую задачу. Внешне это похоже на победу - текст лучше, время меньше, субъективное удовлетворение высокое - но на уровне навыков формируется долговая яма, которую потом приходится закрывать дополнительными циклами самостоятельной практики.
В творческих задачах заметна двойственность.
Исследования 2024 года показали, что доступ к идеям, сгенерированным моделью, делает рассказы участников более оцененно-креативными и приятными для чтения, особенно у тех, кто изначально показывал низкие креативные результаты. Но одновременно падает разнообразие решений - появляется конвергенция к схожим ходам и структурам. В прикладном смысле это означает, что ИИ отлично работает как стимул для старта, но при бесконтрольном использовании деструктурирует индивидуальность стиля и формирует стереотипные решения. Для образовательной и профессиональной среды отсюда вытекает простая тактика: разделять этапы генерации и отбора, давать модели право на случайность и провокацию идей, но фиксировать человеческий этап редактуры и деконструкции шаблона.
В блоке доверия к рекомендациям растет корпус работ о предвзятости автомации и калибровке доверия.
В клинических и управленческих сценариях фиксируют уязвимость неспециалистов: именно те, кому алгоритмы потенциально приносят наибольшую пользу, чаще всего переоценивают их компетентность и прекращают самостоятельную верификацию. Это не только риск ошибок, но и риск долгосрочного дескиллинга - утраты ручных навыков постановки гипотез и поиска противоречащих примеров. Здесь особенно важны дизайн ограничителей и организационная гигиена: явные напоминания о вероятностной природе вывода, встроенные паузы и чек-листы, принудительная вторая точка зрения человека или альтернативной модели.
На уровне механизмов эти явления можно связать с двумя дополняющимися рамками.
Первая - энергоэкономика мозга. Человек рационально избегает лишних когнитивных затрат в рутинных задачах. Если система подает готовые ответы, больше шансов, что мы упустим тренировку памяти и селекцию релевантных признаков.
Вторая - предиктивная обработка. Если ассистент выдает связные продолжения текста и уверенно маркирует их как подходящие, мозг получает подтверждение собственных ожиданий и снижает вес ошибок.
В краткосрочной перспективе это поднимает скорость и субъективное чувство ясности. В долгосрочной - повышает риск фиксации упрощенных стратегий и искажает самооценку компетентности.
Есть и хорошие новости, которые помогают снять алармизм.
Несколько масштабных RCT в школе и университете демонстрируют, что корректно сконструированные ИИ-тьюторы и ассистенты преподавателей увеличивают обучающий эффект и особенно помогают тем, кто стартует с более низкого уровня подготовки. Секрет в архитектуре взаимодействия. Лучшие результаты дают системы, которые задают уточняющие вопросы, требуют объяснения шагов решения, подталкивают к активному извлечению и ограничивают прямую выдачу ответа. Там, где ИИ выступает не как печатная машинка, а как спарринг-партнер, растут не только оценки, но и элементы саморегуляции: более частые попытки сверки, повышение метакогнитивного контроля и лучшее удержание ключевых идей в последующих тестах. Эти эффекты особенно заметны, когда ИИ встроен в курс и работает по одному плану с преподавателем, а не используется стихийно как внешняя палочка-выручалочка.
Наконец, возникают первые доказательства того, что дизайн подсказок влияет на когнитивные последствия.
В экспериментах с письменными заданиями выигрыш в оценках от ИИ поддерживается, если участникам явно задают структуру проверки качества - критерии, чек-листы, лимиты на прямые вставки текста, требование объяснить логику выбора. Там, где таких ограничителей нет, растет доля поверхностных решений и снижается чувство авторства. В общем виде это выглядит так: чем меньше трения и чем более гладким кажется взаимодействие, тем выше риск когнитивной атрофии. И наоборот, чем больше организованной требовательности к объяснению и самопроверке, тем выше шанс, что ИИ станет тренажером, а не костылем.
Практические выводы для тех, кто учится и работает с ИИ ежедневно, могут быть сформулированы без драматизма.
Стоит намеренно разделять режимы: быстрый черновик с ассистентом - отдельная фаза, человеческое уточнение и проверка - обязательная следующая. Полезно внедрять правила активного извлечения: по завершении задачи записать тезисный конспект без подсказок, воспроизвести ключевые аргументы своими словами, перечислить альтернативные решения. Желательно осознанно управлять дозировкой помощи: вместо свободной генерации просить вопросы, план проверки, контраргументы. Наконец, в командной и образовательной практике лучше сразу проектировать двойные контуры контроля - человек после ИИ и ИИ после человека - чтобы снижать автомационную предвзятость и поддерживать развитие навыков в долгую.
Свежие исследования не подтверждают простой катастрофический сценарий, но ясно показывают цену удобства. Генеративный ИИ ускоряет работу, повышает среднее качество и сокращает барьеры входа. Если оставить взаимодействие полностью гладким, растет риск метакогнитивной ленивости, снижается активное извлечение и ухудшается перенос знаний. Если строить взаимодействие как тренировку - с вопросами, паузами и обязательной человеческой самопроверкой - ИИ становится усилителем обучения. В ближайшие годы главным предметом спора будут не возможности моделей, а архитектуры их интеграции: от них зависит, станет ли массовое использование ИИ школьной скамьей для внимания и памяти или мягкой дорожкой к их атрофии. Как всегда найдутся и те кто захочет полностью делегировать ИИ все решения и погрузится в какой-то свой мир))) Снова повеяло Матрицой)))
Материал носит информационный характер и не заменяет индивидуальную консультацию специалиста по обучению и когнитивной эргономике. Эта статья была создана с использованием нескольких редакционных инструментов, включая искусственный интеллект, как часть процесса. Редакторы-люди проверяли этот контент перед публикацией.
Нажимай на изображение ниже, там ты найдешь все информационные ресурсы A&N
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Начать полезно с того, что лучше всего измерено.
Серия рандомизированных экспериментов в знаниях и образовании показывает устойчивую картину: генеративный ИИ повышает скорость и качество выполнения стандартных задач письма и анализа, причем особенно выражено у менее опытных исполнителей. В классическом исследовании продуктивности на профессиональных заданиях участники, имевшие доступ к чат-ассистенту, тратили меньше времени и получали более высокие оценки итогов. В образовательных экспериментах с ИИ-тьюторами фиксируется не только прирост показателей тестов, но и сокращение времени на освоение материала при более высоком ощущении вовлеченности. Эффект выше там, где сценарии и подсказки построены по дидактическим правилам и где система задает вопросы, а не подменяет ответ. Это подтверждает интуицию: если ИИ развернут как педагогический инструмент с акцентом на активное извлечение знаний, он способен усилить обучение без необходимости постоянного контроля со стороны преподавателя.
Однако эта же волна данных предъявляет и обратную сторону.
В задачах, где существенна эпистемическая аккуратность и перенос знаний, картина неоднородна. Рандомизированные исследования в университетских курсах и мета-аналитические сводки отмечают парадокс: итоговые работы при поддержке модели выглядят лучше по формальным признакам, но прирост в долговременном запоминании и умении переносить способы решения на новые контексты не гарантирован. Более того, в задачах за пределами так называемой техно-фронтиры - когда проблема требует гибридного мышления, нестандартной декомпозиции и доменной экспертизы - ИИ нередко повышает уверенность и снижает бдительность, то есть усиливает автомационную предвзятость. Человек склонен доверять уверенно сформулированному совету и прекращать самостоятельный поиск. Это экономит усилие, но ухудшает калибровку ошибки и мешает развивать стратегию проверки гипотез.
Одним из самых обсуждаемых в 2025 году стал вопрос о нейрофизиологической стороне совместного письма с ИИ.
Долгосрочное наблюдение с регистрацией мозговой активности на выборке взрослых показало: группы, писавшие тексты с помощью чат-ассистента, демонстрировали более низкое вовлечение по ряду показателей и хуже вспоминали собственные тексты через время. Доля участников, не способных воспроизвести фрагмент собственного эссе, была кратно выше там, где опирались на ассистента. Исследование опубликовано как препринт, и критически важно помнить о его статусе и ограничениях выборки. Но совокупность поведенческих результатов - снижение чувства авторства, слабее выраженное активное извлечение знаний, меньшее напряжение систем внимания - логично ложится в рамку когнитивного оффлоадинга: когда часть мыслительных операций передается внешнему агенту, мозг экономит усилие здесь и сейчас и недополучает тренировку, важную для формирования долговременной памяти.
Важно, что когнитивный оффлоадинг сам по себе не зло, а инструмент.
Мы десятилетиями переносим память на записные книжки и цифровые календари. Ключевой вопрос - какие именно операции мы отдаем на аутсорсинг и как компенсируем это в учебном или рабочем процессе. Последние обзоры и экспериментальные работы в образовательных науках формулируют тревогу точнее: генеративные модели могут запускать метакогнитивную ленивость - эффект, при котором люди сохраняют мотивацию и даже получают лучшие оценки за эссе, но при этом реже практикуют проверку понимания, хуже удерживают алгоритмы решений и слабее переносят их в новую задачу. Внешне это похоже на победу - текст лучше, время меньше, субъективное удовлетворение высокое - но на уровне навыков формируется долговая яма, которую потом приходится закрывать дополнительными циклами самостоятельной практики.
В творческих задачах заметна двойственность.
Исследования 2024 года показали, что доступ к идеям, сгенерированным моделью, делает рассказы участников более оцененно-креативными и приятными для чтения, особенно у тех, кто изначально показывал низкие креативные результаты. Но одновременно падает разнообразие решений - появляется конвергенция к схожим ходам и структурам. В прикладном смысле это означает, что ИИ отлично работает как стимул для старта, но при бесконтрольном использовании деструктурирует индивидуальность стиля и формирует стереотипные решения. Для образовательной и профессиональной среды отсюда вытекает простая тактика: разделять этапы генерации и отбора, давать модели право на случайность и провокацию идей, но фиксировать человеческий этап редактуры и деконструкции шаблона.
В блоке доверия к рекомендациям растет корпус работ о предвзятости автомации и калибровке доверия.
В клинических и управленческих сценариях фиксируют уязвимость неспециалистов: именно те, кому алгоритмы потенциально приносят наибольшую пользу, чаще всего переоценивают их компетентность и прекращают самостоятельную верификацию. Это не только риск ошибок, но и риск долгосрочного дескиллинга - утраты ручных навыков постановки гипотез и поиска противоречащих примеров. Здесь особенно важны дизайн ограничителей и организационная гигиена: явные напоминания о вероятностной природе вывода, встроенные паузы и чек-листы, принудительная вторая точка зрения человека или альтернативной модели.
На уровне механизмов эти явления можно связать с двумя дополняющимися рамками.
Первая - энергоэкономика мозга. Человек рационально избегает лишних когнитивных затрат в рутинных задачах. Если система подает готовые ответы, больше шансов, что мы упустим тренировку памяти и селекцию релевантных признаков.
Вторая - предиктивная обработка. Если ассистент выдает связные продолжения текста и уверенно маркирует их как подходящие, мозг получает подтверждение собственных ожиданий и снижает вес ошибок.
В краткосрочной перспективе это поднимает скорость и субъективное чувство ясности. В долгосрочной - повышает риск фиксации упрощенных стратегий и искажает самооценку компетентности.
Есть и хорошие новости, которые помогают снять алармизм.
Несколько масштабных RCT в школе и университете демонстрируют, что корректно сконструированные ИИ-тьюторы и ассистенты преподавателей увеличивают обучающий эффект и особенно помогают тем, кто стартует с более низкого уровня подготовки. Секрет в архитектуре взаимодействия. Лучшие результаты дают системы, которые задают уточняющие вопросы, требуют объяснения шагов решения, подталкивают к активному извлечению и ограничивают прямую выдачу ответа. Там, где ИИ выступает не как печатная машинка, а как спарринг-партнер, растут не только оценки, но и элементы саморегуляции: более частые попытки сверки, повышение метакогнитивного контроля и лучшее удержание ключевых идей в последующих тестах. Эти эффекты особенно заметны, когда ИИ встроен в курс и работает по одному плану с преподавателем, а не используется стихийно как внешняя палочка-выручалочка.
Наконец, возникают первые доказательства того, что дизайн подсказок влияет на когнитивные последствия.
В экспериментах с письменными заданиями выигрыш в оценках от ИИ поддерживается, если участникам явно задают структуру проверки качества - критерии, чек-листы, лимиты на прямые вставки текста, требование объяснить логику выбора. Там, где таких ограничителей нет, растет доля поверхностных решений и снижается чувство авторства. В общем виде это выглядит так: чем меньше трения и чем более гладким кажется взаимодействие, тем выше риск когнитивной атрофии. И наоборот, чем больше организованной требовательности к объяснению и самопроверке, тем выше шанс, что ИИ станет тренажером, а не костылем.
Практические выводы для тех, кто учится и работает с ИИ ежедневно, могут быть сформулированы без драматизма.
Стоит намеренно разделять режимы: быстрый черновик с ассистентом - отдельная фаза, человеческое уточнение и проверка - обязательная следующая. Полезно внедрять правила активного извлечения: по завершении задачи записать тезисный конспект без подсказок, воспроизвести ключевые аргументы своими словами, перечислить альтернативные решения. Желательно осознанно управлять дозировкой помощи: вместо свободной генерации просить вопросы, план проверки, контраргументы. Наконец, в командной и образовательной практике лучше сразу проектировать двойные контуры контроля - человек после ИИ и ИИ после человека - чтобы снижать автомационную предвзятость и поддерживать развитие навыков в долгую.
Свежие исследования не подтверждают простой катастрофический сценарий, но ясно показывают цену удобства. Генеративный ИИ ускоряет работу, повышает среднее качество и сокращает барьеры входа. Если оставить взаимодействие полностью гладким, растет риск метакогнитивной ленивости, снижается активное извлечение и ухудшается перенос знаний. Если строить взаимодействие как тренировку - с вопросами, паузами и обязательной человеческой самопроверкой - ИИ становится усилителем обучения. В ближайшие годы главным предметом спора будут не возможности моделей, а архитектуры их интеграции: от них зависит, станет ли массовое использование ИИ школьной скамьей для внимания и памяти или мягкой дорожкой к их атрофии. Как всегда найдутся и те кто захочет полностью делегировать ИИ все решения и погрузится в какой-то свой мир))) Снова повеяло Матрицой)))
Noy S., Zhang W. Experimental evidence on the productivity effects of generative AI - Science, 2023.
Dell'Acqua F. et al. Navigating the Jagged Technological Frontier - HBS Working Paper, 2023.
Doshi A. R. et al. Generative AI enhances individual creativity but reduces variation - Science Advances, 2024.
Fan Y. et al. Beware of metacognitive laziness - British Journal of Educational Technology, 2024-2025.
Kosmyna N. et al. Your Brain on ChatGPT - arXiv preprint, 2025.
Kestin G. et al. AI tutoring outperforms in-class active learning - Scientific Reports, 2025.
Loeb S. et al. Tutor CoPilot - EdWorkingPapers RCT, 2024.
Zhang K. et al. Enhancing critical writing through AI feedback - JMIR, 2025.
Chen Y. et al. Effects of generative AI on cognitive effort - study protocol, 2025.
Klingbeil A. et al. Trust and reliance on AI - Computers in Human Behavior, 2024.
Kücking F. et al. Automation bias in AI decision support - PubMed, 2024.
Yan L. et al. Effects of generative AI agents and scaffolding - Computers & Education, 2025.
Younas M. et al. Exploring the impact of AI in advancing intelligent learning - Open Praxis, 2025.
Mekheimer M. Generative AI-assisted feedback and EFL writing - Language Testing in Asia, 2025.
Stanford SCALE. Impact RCT repository - curated studies, 2024-2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Dell'Acqua F. et al. Navigating the Jagged Technological Frontier - HBS Working Paper, 2023.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Doshi A. R. et al. Generative AI enhances individual creativity but reduces variation - Science Advances, 2024.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Fan Y. et al. Beware of metacognitive laziness - British Journal of Educational Technology, 2024-2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Kosmyna N. et al. Your Brain on ChatGPT - arXiv preprint, 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Kestin G. et al. AI tutoring outperforms in-class active learning - Scientific Reports, 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Loeb S. et al. Tutor CoPilot - EdWorkingPapers RCT, 2024.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Zhang K. et al. Enhancing critical writing through AI feedback - JMIR, 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Chen Y. et al. Effects of generative AI on cognitive effort - study protocol, 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Klingbeil A. et al. Trust and reliance on AI - Computers in Human Behavior, 2024.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Kücking F. et al. Automation bias in AI decision support - PubMed, 2024.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Yan L. et al. Effects of generative AI agents and scaffolding - Computers & Education, 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Younas M. et al. Exploring the impact of AI in advancing intelligent learning - Open Praxis, 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Mekheimer M. Generative AI-assisted feedback and EFL writing - Language Testing in Asia, 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Stanford SCALE. Impact RCT repository - curated studies, 2024-2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Материал носит информационный характер и не заменяет индивидуальную консультацию специалиста по обучению и когнитивной эргономике. Эта статья была создана с использованием нескольких редакционных инструментов, включая искусственный интеллект, как часть процесса. Редакторы-люди проверяли этот контент перед публикацией.
Нажимай на изображение ниже, там ты найдешь все информационные ресурсы A&N
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Последнее редактирование:
