Что остаётся предметом образования, когда ответ можно получить без знания?

Студент получает задание оценить статистическую связь между режимом сна и учебными результатами. Через несколько минут генеративная модель предлагает план анализа, таблицу, корректный график и связный вывод. Работа может получить высокую отметку. Но при устном обсуждении студент не способен объяснить, почему корреляция не устанавливает причинности, каким образом устроена выборка и что изменилось бы при наличии скрытой переменной. Готовый интеллектуальный продукт существует; соответствующая способность человека может отсутствовать. Для образования это не техническая неприятность, а обнаружение глубокой философской проблемы: внешний успех перестал быть надёжным свидетельством внутреннего знания.

Ситуация не полностью нова. Книги, библиотеки, калькуляторы, картографические сервисы и поисковые системы давно позволяют действовать успешнее, чем позволила бы индивидуальная память. Новизна генеративного ИИ заключается в том, что инструмент производит не только отдельные данные или вычисления, но и формы аргументации: объяснение, доказательство, классификацию, эссе, программный код, видимость рефлексии. Раньше преподаватель мог сравнительно уверенно считать связный самостоятельно написанный текст результатом последовательной мыслительной работы ученика. Теперь текст и мыслительная работа могут существовать раздельно. Из этого не следует, что инструменты необходимо запретить. Следует пересмотреть, какие интеллектуальные действия образование намерено развивать и какими свидетельствами способно подтвердить их развитие.

Распространённое высказывание «знание больше ничего не стоит, потому что машина знает больше человека» содержит категориальную ошибку. Доступность ответа уменьшает стоимость получения определённой информации, но не устраняет стоимость распознавания релевантного вопроса, проверки свидетельств, выбора метода и ответственности за последствия. Кроме того, объём сведений, доступных модели, не равнозначен человеческому обладанию знанием. Генеративная система способна производить правильные и неправильные высказывания; оценка их истинности зависит от процедур, источников и условий применения. Даже если модель оказывается лучше человека по некоторому тесту, отсюда не следует, что человек освобождён от необходимости понимать последствия собственных решений.

От истинного мнения к ответственности за основание

Проблема различения правильного ответа и знания поставлена ещё Платоном. В «Меноне» истинное мнение способно привести путешественника к цели; вместе с тем оно менее устойчиво, чем суждение, связанное с пониманием оснований. Этот сюжет нельзя без оговорок превращать в современное формальное определение знания как «обоснованного истинного убеждения»: история эпистемологии, включая проблему Геттиера, показывает несостоятельность представления, будто любое обоснованное истинное убеждение автоматически является знанием. Однако платоновская проблема сохраняет диагностическую силу: совпадение ответа с истиной — важное, но недостаточное условие образовательного достижения.

Аристотель в «Второй аналитике» связывал научное знание с демонстрацией причин и необходимых отношений, а в «Никомаховой этике» отличал теоретическое знание от практической рассудительности. Современный врач не может вывести каждый клинический поступок из математически необходимого доказательства. Тем не менее различие между повторением правила и способностью разумно определить условия его применения остаётся существенным. В эпоху ИИ появляется возможность получить сразу и правило, и его красивое объяснение. Значит, оценивать приходится не наличие текста доказательства, а способность субъекта устанавливать, какие посылки приняты, что из них следует и где необходим дополнительный опыт.

Кант различал знания, претендующие на всеобщность и необходимость, и эмпирические сведения, а также ставил проблему синтетических априорных суждений и условий возможности опыта. Термины «аналитическое», «синтетическое», «априорное» и «апостериорное» нельзя произвольно сводить к современным видам заданий по генерации текста. Их философская задача — выяснить источник, структуру и правомерность познавательного притязания. Значение кантовской критики для образования состоит прежде всего в требовании исследовать условия легитимности суждения. Ученик, получивший готовое объяснение, всё равно должен различать, что подтверждено наблюдением, что следует из принятых посылок и что пока существует лишь как гипотеза.

Фихте радикализировал вопрос самостоятельности познающего субъекта; Гегель исследовал становление понятий и отношение знания к исторически развивающимся формам духа. Ссылаться на этих мыслителей как на предсказателей искусственного интеллекта исторически неверно. Но их работы позволяют поставить вопрос, не исчезает ли субъект из образования, когда конечный интеллектуальный продукт перестаёт предполагать прохождение учащимся соответствующего пути. При этом «путь» нельзя романтизировать: образование не обязано заставлять человека вручную повторять все вычисления, которые уже умеет выполнять калькулятор. Необходимо определить, какие действия составляют целевую компетентность, а какие допустимо делегировать техническому средству без ущерба для этой компетентности.

В философии XX века Гилберт Райл различал «знать как» и «знать что», а Майкл Полани исследовал неявное знание. Их аргументы показывают ограниченность представления, будто всякая компетентность исчерпывается набором предложений. Студенту-хирургу недостаточно дать текстовую инструкцию выполнения операции; исследователю недостаточно предоставить готовый перечень выводов, чтобы возникло умение отличать значимый результат от артефакта измерения. Одновременно некорректно превращать неявное знание в мистическую область, недоступную критике и обучению. Значительная часть мастерства допускает анализ, упражнения и обратную связь, хотя не всякая его составляющая легко формализуется.

Зачем нужна память, если внешняя память практически неограниченна

Сильнейшая версия аргумента об отказе от запоминания выглядит так: если любой факт можно извлечь из внешней системы, учебное время следует использовать исключительно на «высшие навыки мышления». Но операция поиска требует предметных критериев: чтобы понять, какой ответ релевантен, нужно знать, какие переменные и допущения существенны. Если каждое промежуточное понятие приходится извлекать извне, составная задача распадается на множество фрагментов, между которыми учащийся не удерживает отношения. Рабочая память ограничена, а долговременная предметная память служит одним из условий образования сложных структур для рассуждения.

Когнитивные исследования не оправдывают возвращение к бессмысленной зубрёжке. Они показывают, что закрепление и воспроизведение могут быть необходимой частью понимания. Джеффри Карпике и Генри Рёдигер в исследовании 2008 года продемонстрировали, что повторное извлечение ранее выученных элементов из памяти способно давать существенные преимущества для отсроченного воспроизведения по сравнению с дополнительным перечитыванием [1]. Джон Данлоски и коллеги в обзоре 2013 года выделили практику извлечения и распределённое повторение как техники с высокой обобщённой полезностью для многих условий обучения [2]. Но результаты не означают, что всякое тестирование развивает глубокое понятийное мышление. Для переноса необходимы разнообразие заданий, работа с основаниями и применение знания в новых контекстах.

Следует также различать доступность информации и эпистемическую зависимость. Современная наука уже давно устроена как разделение познавательного труда. Исследователь доверяет измерительным приборам, коллективным базам данных, рецензируемым публикациям и специалистам других дисциплин. Никто не обязан самостоятельно воспроизвести всю историю науки. Однако доверие становится рациональным при наличии процедур проверки компетентности источника, выявления ошибок и ограничения притязаний. Искусственный интеллект радикально расширяет масштабы внешней помощи, но не устраняет старую проблему распределения ответственности. Если медицинская рекомендация основана на автоматическом выводе, остаётся вопрос, кто должен удостовериться в применимости данных к пациенту.

Поэтому содержательная задача образования состоит не в максимальном удержании фактов и не в максимальном освобождении памяти, а в построении внутренней структуры, позволяющей пользоваться внешней информацией осмысленно. Ученик должен иметь достаточно собственного предметного знания, чтобы заметить ошибку, сформулировать уточняющий запрос и обосновать критерий. Такой критерий зависит от деятельности: будущему врачу и школьнику, впервые изучающему строение клетки, необходимы разные объёмы и формы памяти.

Почему результат с ИИ может улучшиться одновременно с ухудшением обучения

Наряду с этим появляются синтезы, обнаруживающие положительные средние эффекты генеративного ИИ для определённых результатов обучения. Например, метаанализ Шучжэнь Чэнь и Алана Чёнга, опубликованный в Educational Research Review в 2025 году, объединил 57 исследований высшего образования и сообщил положительные средние эффекты по нескольким видам результатов при отсутствии статистически значимого среднего улучшения метакогнитивного показателя [4]. Более свежий обзор когнитивных результатов в STEM-образовании, опубликованный в 2026 году, обнаружил положительный средний эффект при чрезвычайно высокой неоднородности исследований и широком прогнозном интервале [5]. Совместное прочтение этих работ не даёт ответа «ИИ полезен» либо «ИИ вреден». Оно выявляет переменную, которую нужно исследовать: архитектуру учебного взаимодействия, способ оценки и то, какая часть интеллектуальной работы остаётся за учащимся.

Здесь полезно различать четыре результата. Продукт — качество текста или выполненного задания. Производительность — количество и скорость решения задач. Обучение — изменение способности выполнять действия после практики. Перенос — применение освоенного способа при изменении предметных условий и снижении помощи. Рост первых двух не является доказательством последних двух. Более того, хороший результат с ИИ способен маскировать отсутствие нового обучения, если учащийся не должен реконструировать основания решения.

Текстовое описание рисунка

Строки таблицы показывают результат с помощью ИИ: в верхней строке он высокий, в нижней ниже. Столбцы показывают результат без помощи ИИ: слева ниже, справа выше. Верхняя левая ячейка: продукт есть, способности нет; это случай из введения эссе и опыта Бастани и коллег, где с помощью результат лучше, а без неё ниже. Верхняя правая: способность есть, инструмент ускоряет уже освоенные операции. Нижняя левая: нет ни продукта, ни способности. Нижняя правая: способность есть, а с ИИ результат хуже; такое сочетание логически возможно, но в эссе не разбирается. Вывод под таблицей: по верхней строке, где результат с ИИ одинаково высок, нельзя отличить левую ячейку от правой. Схема не содержит измерений.

Основания: Введение эссе (пример со студентом и корреляцией); раздел «Почему результат с ИИ может улучшиться одновременно с ухудшением обучения»: различение продукта, производительности, обучения и переноса; эксперимент Бастани и др. 2025 [3]. Нижние ячейки — логическая полнота таблицы, не эмпирические находки.

Один педагогический эксперимент можно построить на обучении взрослого специалиста анализу данных. В первой группе участники получают готовые выводы модели и исправляют оформление. Во второй — сначала формулируют гипотезу и указывают условия, при которых вывод был бы ложным, затем сравнивают позицию с моделью. В третьей — пользуются ИИ как собеседником, выдающим наводящие вопросы вместо готовых заключений. Все группы выполняют одинаковую итоговую производственную задачу. Но через неделю получают новый набор данных и проводят анализ без помощника. Если ограничиться оценкой красивого отчёта в день занятия, результат исследования не позволит судить о развитии аналитического мышления. Если добавить отсроченный перенос и объяснение собственной ошибки, возникнет более содержательная картина.

Наведение, выведение, догадка и перенос: что должен уметь мыслящий человек

Понятие переноса также часто употребляется слишком свободно. Решение аналогичной задачи с изменёнными числами не эквивалентно переносу в новую предметную область. Исследования переноса показывают зависимость от предварительных знаний, распознавания структуры задач, стратегии сравнения и доступных подсказок. Сами понятия «ближнего» и «дальнего» переноса требуют определения относительно обучающей и контрольной задач. Даже специалист, понимающий принцип обратной связи в инженерной системе, может не распознать аналогичную структуру в организации труда без специальной работы над сравнением. Поэтому обещание универсального «критического мышления», автоматически применимого в любой сфере, нуждается в строгой эмпирической проверке.

Образование в эпоху ИИ вынуждено решить трудную дилемму. С одной стороны, внешняя система позволяет экономить время на привычных операциях, освобождая внимание для анализа нестандартных задач. С другой стороны, если новичок передаст системе все промежуточные операции, которые должны сформировать его предметное мышление, будущая самостоятельность окажется недостижимой. Здесь необходим дифференцированный режим делегирования: для новичка сохранять освоение оснований и ключевых процедур, для специалиста разрешать автоматизацию освоенных операций, для обоих — требовать обоснования границ доверия к инструменту.

Текстовое описание рисунка

Верхний блок «Остаётся у человека» содержит четыре пункта: постановка вопроса, проверка основания и свидетельств, ответственность за последствия, перенос на новые условия. Нижний блок «Можно поручать инструменту» содержит освоенные, проверенные операции и стабильные задачи с низким риском, при условии независимой проверки отказа. Между блоками проходит пунктирная граница доверия к инструменту; где она проходит, обосновывает человек. Стрелка от нижнего блока к верхнему означает, что результат инструмента возвращается человеку на проверку. Внизу два пояснения: новичку нужно самому освоить основания и ключевые процедуры, специалисту можно автоматизировать уже освоенные операции.

Основания: Абзацы «Образование в эпоху ИИ вынуждено решить трудную дилемму…» (дифференцированный режим делегирования), первые абзацы введения (стоимость распознавания вопроса, проверки, выбора метода, ответственности), раздел «Сильное возражение…» (условия рационального делегирования, условия отказа), заключительные абзацы (перечень проявлений образованности). Состав четырёх пунктов — редакторская сводка этих мест; перенос включён по разделу о переносе.

«Реверсивное образование» как исследовательская гипотеза

В рабочем словаре проекта выражение «реверсивное образование» может обозначать педагогическую конструкцию, в которой учащийся сначала получает готовый сложный ответ — в том числе созданный ИИ, — а затем восстанавливает проблему, допущения, способы вывода и контрольные условия, делающие ответ обоснованным. Не следует представлять это название как уже установленную и эмпирически подтверждённую научную школу. Более корректно описать его как проектную гипотезу, связанную с известными подходами обратного проектирования, worked examples, самообъяснения, реконструкции доказательства и проблемного обучения. Сходство механизмов нуждается в разборе; новая этикетка не создаёт новую теорию сама собой.

Педагогическое преимущество такого способа гипотетически состоит в соединении мотивации от видимого результата с интеллектуальной реконструкцией его оснований. Риск очевиден: готовая формулировка может стать якорем, ограничивающим альтернативные гипотезы; ученик начнёт рационализировать машинный ответ вместо критической проверки. Поэтому для экспериментальной оценки нужны сопоставимые задачи, независимые контрольные группы и измерение склонности отвергать убедительно оформленную ошибку. Без этого «реверсивное образование» остаётся плодотворной методологической идеей, а не доказанным преимуществом.

Возражение

Сильное возражение: почему нельзя просто поручить машине мыслить лучше человека?

Сторонник радикальной автоматизации может возразить, что требование самостоятельного владения способом действия — следствие культурной привычки, а не рациональной необходимости. Если автоматизированная система диагностирует быстрее и точнее человека, зачем будущему специалисту долго осваивать операции, которые он никогда не станет выполнять? Подобный аргумент заслуживает серьёзного ответа, поскольку образовательные системы исторически нередко тратили значительное время на устаревшие ручные процедуры. Трудность в том, что эффективность делегирования зависит от структуры риска и условий отказа инструмента. При стабильной, проверенной и низкорисковой операции автоматизация может быть рациональной. При необычном случае, высокой цене ошибки и отсутствии независимой проверки необходима способность установить, когда обычный режим перестал быть надёжным. Человек не обязан превзойти машину во всех вычислениях; но должен понимать, на основании чего допустимо передать ей определённый класс решений.

При этом требование ответственности не означает, что индивидуальный пользователь должен знать устройство всей вычислительной инфраструктуры. Современная социальная эпистемология изучает доверие экспертам и институтам как необходимую часть коллективного познания. Вопрос состоит в распределении контроля: кто определяет область применимости системы, кто проверяет обновления, кто расследует ошибку, кто вправе остановить её использование? Образование специалистов должно включать понимание устройства такого распределения, иначе призыв «критически относиться к ИИ» останется нравственным пожеланием без рабочих процедур. Врач, аналитик или учитель не смогут проверить каждый параметр модели, но могут научиться распознавать выходы за пределы валидированного сценария и обращаться к надёжным процедурам эскалации.

Возникает и проблема интеллектуальной справедливости. Если состоятельные ученики получают персональных ИИ-помощников, а остальным доступны только стандартные занятия, новые инструменты могут усиливать неравенство. Однако запрещение ИИ только в образовательной среде не обязательно улучшит положение: семьи с большими ресурсами продолжат использовать инструмент вне школы. Более перспективна модель публичного доступа к качественно спроектированной помощи, в которой оценивается не объём сгенерированного текста, а самостоятельное достижение после взаимодействия. Тогда технологическая поддержка становится способом расширить образовательные возможности, а не привилегией по покупке готовых результатов.

Наконец, нельзя прятать за понятием «мышление» одновременно философскую нормативную способность отвечать за основания и нейрокогнитивные операции, измеряемые экспериментально. В одном смысле машинная система решает задачи, строит объяснения и осуществляет сложные преобразования символических представлений; отрицать эти функциональные достижения было бы бессодержательно. В другом смысле образование человека включает становление автономии, ответственности, жизненной перспективы и отношения к другим людям. Невозможно доказать отсутствие или наличие человеческого самосознания у модели простым сравнением результатов на экзамене. Для образовательной политики достаточно более узкого и строгого утверждения: даже превосходная автоматизированная помощь не снимает институциональной обязанности проверять развитие компетентности и организовать ответственное применение результатов.

Самосознание, педагогическая нейронаука и границы делегирования

Рефлексию в образовании нередко сводят к завершающему вопросу: «Что нового узнали?» Однако ответ «всё понял» сообщает мало об основаниях уверенности. Более содержательная рефлексия требует способности назвать исходное предположение, способ проверки, ошибку и условие, при котором вывод нужно пересмотреть. Метакогнитивное суждение не равно ни уровню интеллекта, ни уверенности в себе; возможны систематические расхождения между субъективной уверенностью и объективной точностью. В занятии с ИИ это особенно важно: плавность машинного текста легко превращается в необоснованную уверенность читателя.

Когнитивная нейронаука помогает исследовать внимание, обучение, память, контроль действий и взаимодействие различных мозговых систем. Но из наблюдения об активности области мозга нельзя непосредственно вывести эффективную методику урока. Между нейронным механизмом и образовательным результатом находятся когнитивные операции, предметное содержание, мотивация, социальная организация и практика измерения. Сильная междисциплинарная работа не заменяет педагогику фотографией мозга; она связывает механизмы с операционально определённой деятельностью и проверяемым результатом.

Отсюда следует принципиальный вывод. Образование нельзя обосновать только тем, что человек должен конкурировать с машиной по объёму фактов, скорости письма или способности генерировать убедительные тексты. Но и отказаться от внутреннего знания как от ненужного ресурса означает лишить человека способности контролировать собственное использование внешних инструментов. Человеческая образованность в эпоху генеративного ИИ проявляется в способности поставить вопрос, различить факт и предположение, построить и оценить аргумент, принять последствия решения, обнаружить границы своего понимания и изменить позицию при появлении новых оснований.

Сильный педагогический критерий поэтому звучит строго: после разумного использования ИИ учащийся должен приобрести способность, которой до взаимодействия не обладал, а не только получить продукт, которого раньше не мог произвести. Наличие такой способности необходимо доказывать независимым действием, отсроченным воспроизведением, переносом и аргументированным суждением. Инструмент может стать участником образовательного процесса; носителем человеческой ответственности за знание он от этого не становится.

Ограничение

Источники и оговорки

[1] Karpicke, J. D., & Roediger, H. L. (2008). The critical importance of retrieval for learning. Science, 319, 966–968. https://doi.org/10.1126/science.1152408.

[2] Dunlosky, J. et al. (2013). Improving students’ learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4–58. https://doi.org/10.1177/1529100612453266.

[3] Bastani, H. et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS. https://doi.org/10.1073/pnas.2422633122. Описание и результаты в PubMed. Вывод ограничен определённым исследованием и устройством учебного ИИ.

[4] Chen, S., & Cheung, A. C. K. (2025). Effect of generative artificial intelligence on university students’ learning outcomes: A systematic review and meta-analysis. Educational Research Review. https://doi.org/10.1016/j.edurev.2025.100737.

[5] Boolzen, C. et al. (2026). Evidence of impact and interpretational limits of generative AI in STEM education. Artificial Intelligence Review. https://doi.org/10.1007/s10462-026-11665-9. Высокая гетерогенность ограничивает перенос средней оценки на конкретную практику.

[6] National Academies of Sciences, Engineering, and Medicine (2018). How People Learn II: Learners, Contexts, and Cultures. https://doi.org/10.17226/24783.

[7] Философские первоисточники: Платон. Менон; Аристотель. Вторая аналитика, Никомахова этика; Кант И. Критика чистого разума; Фихте И. Г. Основа общего наукоучения; Гегель Г. В. Ф. Феноменология духа; Райл Г. The Concept of Mind; Полани М. The Tacit Dimension; Пирс Ч. С. работы об абдукции. Философские аргументы не превращаются автоматически в эмпирические выводы об ИИ.

Связь с Атласом

Названы в тексте

Записи Атласа, чьи имена и работы прямо названы в эссе.

• Аристотель — Назван в разделе о знании и основании
• Иммануил Кант (Immanuel Kant) — Назван в разделе о знании и основании
• Иоганн Готлиб Фихте (Johann Gottlieb Fichte) — Назван в разделе о знании и основании
• Георг Вильгельм Фридрих Гегель (Georg Wilhelm Friedrich Hegel) — Назван в разделе о знании и основании
• Джон Данлоски — Автор обзора о приёмах обучения [2]
• Х. Бастани и др. (Bastani, Bastani, Sungu, Ge и др.) — Авторы эксперимента [3]

Близкие темы Атласа

Темы Атласа, близкие по содержанию. Это сходство по теме, а не цитирование и не историческое влияние.

• ИИ, инструменты и обучение
• Познание, память и метакогниция
• Образование как Bildung и философия образования