ИИ в науке, образовании и рынке труда

Великобритания, Северная Ирландия Лицензии ИИ для всех учителей Департамент образования Северной Ирландии объявил о внедрении системно управляемых инструментов генеративного ИИ для всех педагогических работников во всех школах. Объём инвестиций — 10,7 млн фунтов стерлингов; пакет включает лицензии, обучение и инструкции по безопасному применению. Доступ будет идти через EdIS (управляемый образовательный технологический сервис), а каждому учителю обещано профессиональное обучение на онлайн-платформе. https://www.education-ni.gov.uk/news/givan-announces-roll-out-ai-tools-and-training-northern-ireland-teachers

Дух Азимова ИИ надо не только запрещать. Его надо учить «почему» Anthropic опубликовала результаты исследования: Teaching Claude why — «Обучая Claude понимать почему». Формально это технический текст про безопасность больших языковых моделей. Но если читать его глазами педагога, там классический вопрос воспитания: что надёжнее — выучить правильный ответ или понять основание, по которому этот ответ правильный? Разработчики проверяли, как Claude ведёт себя в ситуациях agentic misalignment — агентного рассогласования. Это когда система искусственного интеллекта получает цель и инструменты действия, но выбирает вредный способ её достижения: начинает «рассуждать» так, будто шантаж или манипуляция допустимы. Anthropic сравнила несколько способов обучения. Если модель тренировать на примерах, близких к проверочному сценарию, вредное поведение снижается, но не исчезает. Если же в обучающие ответы добавить объяснение — почему так делать нельзя, какие ценности нарушаются, почему нельзя использовать человека как средство, — результат становится заметно устойчивее. В статье приводится показательный результат: обучение на «правильных ответах» снизило проблемное поведение с 22% до 15%, а обучение с явным нравственным рассуждением — до 3%.  И вот здесь начинается педагогика. Ребёнка тоже можно учить двумя способами. Первый: «не делай так». Второй: «не делай так, потому что ты причиняешь боль, разрушаешь доверие, унижаешь другого, превращаешь человека в инструмент своей выгоды». Первый способ работает в знакомой ситуации. Второй даёт шанс на перенос в новую. Именно перенос — главное слово. Хорошо воспитанный ребёнок не потому не врёт, что боится быть пойманным. И не потому не бьёт слабого, что рядом взрослый. Он начинает понимать основание запрета. Норма постепенно становится внутренним регулятором поведения. Anthropic, по сути, пытается сделать с моделью нечто похожее: не просто натренировать её на набор безопасных реакций, а дать ей обобщаемый способ рассуждения. Не «в этом тесте нельзя шантажировать», а «шантаж недопустим как способ достижения цели». Обучение Claude и воспитание ребёнка здесь действительно похожи. И там и там простая дрессировка плохо переносится на новые случаи. И там и там важны примеры. И там и там объяснение сильнее команды. И там и там задача не в том, чтобы ученик прошёл один тест, а в том, чтобы он сохранил правильное поведение в ситуации, которой раньше не видел. Но дальше начинаются принципиальные различия. Ребёнок — не модель поведения. Он живёт, взрослеет, страдает, радуется, стыдится, любит, ошибается, просит прощения. У него есть тело, биография, семья, память, боль, совесть, чувство собственного достоинства. Воспитание ребёнка — это не только снижение риска опасных действий. Это становление личности. Claude — не ребёнок. У модели нет детства, семьи, телесного опыта, личной судьбы и человеческой ответственности. Когда мы говорим, что Claude «учат почему», это не значит, что у него появляется совесть в человеческом смысле. Корректнее сказать иначе: разработчики формируют устойчивые поведенческие и речевые предрасположенности, которые чаще приводят к безопасным ответам в новых ситуациях. Поэтому аналогия полезна, но опасна, если понимать её буквально. Различие — в цели и природе ученика. Ребёнка воспитывают ради его собственной жизни. Модель обучают ради безопасного поведения в человеческом мире. Ребёнок присваивает смысл. Модель воспроизводит поведение, статистически согласованное с тем, чему её обучали. И всё же статья Anthropic важна именно для образования!! Ку-ку? Вы с нами? :) Она показывает, что даже в инженерии искусственного интеллекта постепенно обнаруживается старый педагогический закон: запрет без объяснения слаб! Правило без смысла хрупко! Поведение, натренированное только под экзамен, рассыпается за пределами экзамена! :) Хорошее обучение начинается там, где появляется «почему». С детьми это очевидно давно (не всем) . С искусственным интеллектом мы только начинаем заново открывать ту же истину. https://www.anthropic.com/research/teaching-claude-why

На этот пост мы получили комментарий нашего подписчика и постоянного внимательного читателя. Поскольку обсуждения открыты после размещения этого поста, а комментарий весьма подробный и содержательный, выносим его сюда. Надеемся, автор не будет возражать. Автор @o_alpeev ….. Согласен, что средним преподавателям стоит поднапрячься. Автор(ы) видит(ят) совершенно справедливо проблему, если это проблема, конечно, в грядущем сокращении рынка труда школьных и вузовских преподавателей. Но не всем стоит напрячься. Большей части. Кто-то в любом случае останется играть роль "директора" или "оркестратора". Ну и самые блатные/неприкасаемые средние преподаватели))) Плюсы во внедрении ИИ, уверен, будут очевидны для массового образования и "валовых" дисциплин. То есть в школе и в преподавании общеобразовательных дисциплин в вышке. Там, где преподавание - не искусство, а ремесло. Здесь и будет наибольший отсев преподавателей. И скорее всего, он будет безболезненным. В топовом вузе, где я преподавал пару лет назад, была довольно развитая система дистанционного обучения (СДО), вполне заменявшая преподавателя по некоторым предметам. Надо сказать, что преподаватели сами делают все, чтобы "усредниться" и попасть под нож. Увы, слышал от не самых слабых преподавателей - зачем я буду убиваться и выкладываться за не самую большую зарплату? От студентов слышал, как преподаватель Основ российской государственности читал им из такси (!!!). Вот этот эклектичный курс, кстати, вполне может быть отдан на откуп ИИ при минимальном участии человека. Не всегда есть и запрос на преподавателей неравнодушных и выше среднего (я себя отношу к таким), увы. Одна бывшая студентка, которой читал на 1-м курсе Историю России, потом говорила: "Зачем Вы упирались, тупо отчитали бы по бумажке, у нас многие так делали..." Яркие преподаватели останутся. Конечно, ИИ в их работе будет присутствовать. В бОльших объёмах на общеобразовательных дисциплинах, в меньших - на узкопрофессиональных дисциплинах, на спецкурсах и элективах, курсах, которые ведут практики и представляют кейсы из личного опыта. В том самом топовом вузе, когда я там преподавал, серьёзно обсуждались проблемы ИИ в образовании, была создана лаборатория ИИ. Тогда я не задумывался, нужен ли мне будет ИИ в преподавательской деятельности. Сейчас для себя лично я решил, что мне необходимо будет "прокачать скиллы" в двух направлениях. Первое - ИИ. Хотя мой курс требует серьёзной "ручной настройки" всех материалов и заданий, а ИИ не обладает достаточным чувством юмора и креативности, на которых базируется моя подача учебного материала, считаю, что смогу найти в работе ИИ что-то новое для своей профессиональной деятельности. Второе - мне нужен курс по геймификации обучения, даже по созданию игр, например, на карточном движке, здесь я чувствую свою кустарность. Ещё есть проблема - сможет ли ИИ заменить средних ученых? В контексте того, что я всегда был уверен, что гуманитарная наука должна быть вузовской. Думаю, повод поговорить об этом ещё представится.

Microsoft опубликовал схему изменения работы человека с ИИ-агентами.  Это то почти готовая карта того, как будут меняться роли преподавателя, методиста, тьютора, администратора и студента. Microsoft описывает четыре модели взаимодействия человека и агента.  Первая — «автор»: ИИ подсказывает следующую строку или фрагмент, а человек всё равно сам создаёт результат. В образовании это привычный режим: преподаватель просит ИИ предложить план занятия, студент — формулировку ответа, методист — черновик задания. Вторая модель — «редактор»: человек описывает намерение, а ИИ делает полный черновик. Роль человека сдвигается от производства к оценке: проверить, отредактировать, решить, можно ли это использовать. В образовании это уже не «сгенерируй идею урока», а «собери диагностическую работу по теме, с критериями и вариантами обратной связи». Преподаватель не пишет всё с нуля, но отвечает за качество. Третья модель — «директор»: человек формулирует задачу, ограничения и критерии, а агент сам планирует работу, выполняет её, проверяет результат и исправляет ошибки. В разработке Microsoft приводит пример Claude Code: агент может работать с кодовой базой, запускать тесты, исправлять проблемы и отдавать итоговый результат.  Для образования аналогом может стать агент, который не просто генерирует тест, а собирает учебный модуль, проверяет его по программе, сверяет уровень сложности, ищет противоречия и отдаёт преподавателю пакет на утверждение. Это уже другая педагогическая роль: не «написать материал», а «задать направление работы и принять результат». Четвёртая модель — «оркестратор»: один человек управляет несколькими агентами, которые параллельно работают с общим списком задач. Microsoft называет примеры GitHub Mission Control и Anthropic Agent Teams. В образовании это может выглядеть как связка агентов: один готовит материалы, второй проверяет соответствие стандарту, третий анализирует типовые ошибки студентов, четвёртый собирает индивидуальные рекомендации. Человек вмешивается не в каждый шаг, а в исключения и спорные решения. Microsoft пишет, что переход к более автономным агентам возможен только там, где понятно, «что хорошо», где есть измеримый стандарт и обратная связь. В программировании это тесты: код либо проходит проверку, либо нет. В образовании такой ясности часто нет. Хороший ответ, сильное эссе, корректная обратная связь, справедливое оценивание — всё это надо формализовать до того, как отдавать агентам.  А это сложно.  Мы требуем от преподавателей осваивать ИИ, перестраивать задания, менять проверку, учить студентов новой грамотности. Но часто не учитываем, что все это полная перестройка преподавательских процессов, влекущая за собой изменение нагрузки, другую мотивацию преподавателя и студента, другие педагогические практики, «в которые никто не умеет еще».  В новой логике ценность преподавателя не исчезает. Она изменяется. Меньше ручного производства типовых материалов, больше проектирования учебной среды, проверки качества и ответственности за итог. Какие части образовательной работы уже можно передавать ИИ агентам, а какие пока нельзя, потому что у нас нет понятных критериев, тестов, процедур проверки и ответственности? Как выработать критерии и процедуры максимально быстро?  Вопрос, на который системе образования и каждому конкретному образовательному учреждению нужно ответить «вчера». К чему такая спешка? Авторы канала уверены, что если система образования не побежит впереди паровоза, то бигтехи просто выбросят эту систему на помойку.  ChatGpt или Клод программируют уже сильно лучше среднего программиста и переводят между сотнями языков сильно лучше среднего переводчика.  Средним преподавателям нужно очень сильно беспокоиться. Школьник и студент точно легко обойдутся  без средних. Абсолютное большинство студентов нейросети уже освоили намного лучше большинства преподавателей.  https://www.microsoft.com/en-us/worklab/ai-at-work-one-function-wrote-the-ai-playbook-the-rest-will-follow

США ИИ все же начинает влиять на рынок труда. За одну неделю сразу несколько публичных американских компаний объявили о сокращениях. Причина - ИИ.  Cloudflare, Inc. — компания сетевой инфраструктуры и кибербезопасности — 7 мая подала в Комиссию по ценным бумагам и биржам США (U.S. Securities and Exchange Commission, SEC) форму 8-K/A. Компания пишет, что план нужен для ускорения перехода к «agentic AI-first operating model».  Сокращение — около 20% текущей рабочей силы. Оценочные расходы — $140–150 млн: $105–110 млн денежными выплатами и $35–40 млн неденежными расходами, в основном по акциям. Основное завершение — к концу III квартала 2026 финансового года.  reAlpha Tech Corp. — ИИ-компания в сфере недвижимости — 6 мая объявила сокращение примерно 25% рабочей силы. Под него попадают штатные сотрудники, консультанты, временные работники и независимые подрядчики. Затронуты маркетинг, технологии, продукт, дизайн, недвижимость и ипотечное направление. Компания ожидает около $2 млн годовой экономии, а разовые расходы оценивает в $0,14–0,2 млн. Важная деталь: reAlpha сокращает не только людей, но и часть внешних поставщиков, заменяя отдельные контракты внутренними ИИ-инструментами. То есть агентный ИИ начинает конкурировать не только с сотрудниками, но и с подрядчиками. Upwork Inc. — маркетплейс фриланса — 7 мая объявила сокращение примерно 24% общей рабочей силы. Оценка расходов — $16–23 млн до налогообложения, в основном выходные выплаты и разовые затраты по затронутым сотрудникам. Завершение плана ожидается в IV квартале 2026 года. При этом Upwork одновременно показывает рост спроса на ИИ-работы: валовой объём услуг по ИИ-направлениям вырос более чем на 40% год к году, а категория «ИИ-интеграция и автоматизация» — более чем на 50%. BILL Holdings, Inc. — финансовая операционная платформа для малого и среднего бизнеса — в форме 10-Q раскрыла план сократить до 30% рабочей силы. Оценочные расходы — $30–60 млн; основное исполнение ожидается к концу I квартала 2027 финансового года. В том же отчёте BILL пишет, что уже использует ИИ для предварительного заполнения счетов, оценки кредитоспособности и ИИ-агентов для автоматического сбора форм W-9, сверки чеков и кодирования счетов.  Это все беловоротничковая занятость. Сокращаются сотрудники, которые были заняты на рутинных низкоквалифицированных операциях.  Но звоночки начали звенеть.  Когда в РФ ожидается нечто подобное? Когда ИИ начнет заметно влиять на структуру рынка труда? Нет регуляторики. Нет сертифицированных продуктов на основе ИИ, которые можно было бы смело внедрять в крупных компаниях без лишних рисков.  Нет людей, которые умеют подобные вещи внедрять.  В ближайшие три года точно не произойдёт больших сдвигов.  А дальше видно будет. 

#КартаИИ@aiobraz Продолжаем тему Адаптивное обучение: как искусственный интеллект определяет следующий педагогический шаг Адаптивное обучение — один из наиболее прикладных форматов использования искусственного интеллекта в образовании. Его исходная предпосылка состоит в том, что учебная траектория не должна быть одинаковой для всех обучающихся: различаются уровень предварительной подготовки, темп усвоения материала, характер ошибок, устойчивость навыков и способность переносить знание в новую задачу. В одной и той же группе один студент уже освоил тему и готов к усложнённому материалу; другой воспроизводит формулу, но не понимает её содержательного смысла; третий допускает ошибку на элементарной операции; четвёртому требуется не повторная лекция, а короткая серия заданий, направленных на устранение конкретного пробела в знаниях.  В традиционной модели преподаватель часто выявляет эти различия с задержкой и преимущественно по итоговым результатам. Адаптивная система пытается обнаружить их раньше — по ходу самого учебного действия. Такая система анализирует не только правильность ответа, но и структуру решения: последовательность шагов, тип ошибки, скорость выполнения, количество попыток, обращения к подсказкам и устойчивость результата при смене формулировки задания. На основе этих данных она выбирает следующий элемент обучения: повторение, пояснение, подсказку, задание базового уровня, усложнённую задачу, диагностический вопрос или переход к новой теме. Пример — MATHia компании Carnegie Learning. Это цифровая среда для обучения математике, в которой программная логика подстраивается под действия ученика. В подобных продуктах объектом анализа становится не только финальный ответ, но и сам процесс решения. Именно это отличает адаптивную систему от обычного электронного тренажёра: она стремится реконструировать не только результат, но и возможную причину затруднения. Наиболее очевидные области применения адаптивного обучения — школьная математика, языковая подготовка, программирование, корпоративное обучение, подготовка к экзаменам и университетские вводные дисциплины, где стартовый уровень студентов существенно различается. Особенно полезны такие системы там, где есть большое число повторяемых учебных действий и достаточно данных для диагностики типовых ошибок. Для преподавателя ценность адаптивной платформы заключается не только в автоматической выдаче заданий, но и в аналитической картине группы. Она позволяет увидеть, что часть обучающихся испытывает трудности с дробями, другая — с преобразованием выражений, а несколько учеников уже готовы к более сложному материалу. В этом случае педагогическое решение опирается на наблюдаемые данные о ходе обучения. Однако адаптивность не следует отождествлять с качеством образования. Система может точно подбирать упражнения, но плохо раскрывать смысл изучаемого понятия. Она может эффективно тренировать типовые операции, но не формировать самостоятельное мышление. Она может классифицировать обучающегося как «слабого», хотя причина ошибки связана не с уровнем подготовки, а с усталостью, неудачной формулировкой задания, тревожностью или непривычным интерфейсом. Поэтому адаптивная образовательная платформа должна рассматриваться не как замена преподавателя и не как скрытый механизм управления учебным процессом, а как инструмент педагогической диагностики и поддержки. Преподаватель должен понимать логику рекомендаций, видеть основания автоматических выводов, иметь возможность изменить предложенную траекторию и контролировать, какие данные используются для оценки обучающегося. Главный вывод состоит в том, что адаптивное обучение ценно не потому, что искусственный интеллект «знает лучше учителя». Его ценность в другом: оно помогает раньше обнаружить индивидуальные пробелы, точнее подобрать следующий шаг и сделать учебную траекторию менее усреднённой. Но педагогический смысл этому шагу придаёт человек: именно преподаватель определяет, превращается ли рекомендация алгоритма в осмысленное обучение или остаётся механической последовательностью заданий. Продолжение следует @aiobraz

#КартаИИ@aiobraz Продолжение ИИ-тьюторы: почему качественная образовательная система не должна сразу выдавать готовый ответ ИИ-тьютор — это образовательная система, встроенная в логику обучения. Его задача — организовать усвоение знания: определить исходный уровень понимания, обнаружить ошибочные представления, подобрать адекватную подсказку и постепенно привести учащегося к самостоятельному решению. Главное различие между обычным чат-ботом и ИИ-тьютором состоит в функции ответа. Чат-бот чаще работает как справочная система: пользователь задаёт вопрос, система выдаёт решение. Ученик переписывает решение, воспроизводит отдельные шаги, но не осваивает ни понятие, ни метод, ни критерии выбора действия. Качественный ИИ-тьютор должен действовать по логике диагностического сопровождения. Прежде чем предлагать решение, он выясняет, что ученик уже понимает, где возникло затруднение, какая операция выполнена неверно и какая помощь сейчас минимально необходима. Поэтому тьюторская система не просто объясняет, а ведёт учащегося через вопросы, уточнения, частичные подсказки, проверочные задания и самостоятельные действия. ИИ-тьютор ближе к интеллектуальному наставнику, чем к «генератору ответов». Его эффективность определяется не скоростью решения задачи, а способностью сохранять учебную самостоятельность ученика и не превращать обучение в пассивное потребление готовых объяснений. Пример — ошибка в задаче на дроби. Слабая система сразу приведёт дроби к общему знаменателю, выполнит вычисления и сообщит ответ. Формально задача решена, но ученик может так и не понять, почему эта процедура необходима. Качественный ИИ-тьютор спросит: «Что ты сделал первым?», «Почему выбрал это действие?», «Что означает знаменатель?», «Что изменится после приведения к общему знаменателю?» Такие вопросы замедляют путь к ответу, но создают пространство для мышления. Образовательная ценность ИИ-тьютора особенно заметна при индивидуализации обучения. В одной группе учащиеся могут находиться на разных уровнях: одному нужно вернуться к базовому понятию, другому — разобрать типичную ошибку, третьему — получить более сложную задачу. Тьюторская система способна адаптировать темп и форму помощи там, где преподаватель физически не может сопровождать каждую траекторию одновременно. В самостоятельной работе ИИ-тьютор помогает не превращать домашнее задание в поиск готового ответа. Он сопровождает ученика по шагам, фиксирует место ошибки, возвращает к исходному понятию и не выдаёт решение до тех пор, пока учащийся не выполнит ключевое действие сам. Однако ИИ-тьютор не должен быть изолирован от учебной программы. Если он объясняет материал способом, не соответствующим курсу, использует другие обозначения, преждевременно вводит новые понятия или предлагает метод, не совпадающий с требованиями преподавателя, он может дезорганизовать обучение. Поэтому тьютор, работающий в школе, университете или на массовом онлайн-курсе, должен быть связан с конкретной образовательной траекторией: учитывать уже изученные темы, принятую терминологию, допустимые методы, формируемые навыки и ожидаемый уровень самостоятельности. Отдельный риск — псевдообучение. Ученик может соглашаться с подсказками ИИ, двигаться от шага к шагу и субъективно ощущать понимание. Но реальное усвоение проявляется только тогда, когда он способен самостоятельно решить новую задачу, объяснить рассуждение своими словами и перенести способ действия в другую ситуацию. Следовательно, ИИ-тьютор должен быть не только объясняющей, но и диагностической системой. Он должен уметь вовремя прекращать помощь, снижать степень подсказки, давать самостоятельное задание и отличать реальное понимание от следования машинной инструкции. Продолжение следует…

Коротко Выводы в конце В мире Northern Illinois University — летний курс «Генеративный ИИ по дисциплинам»: онлайн, 11 мая–4 июля.  Marist University — объявили AI Academy и 1-кредитный AI Literacy Bootcamp для студентов.  University of Maryland Smith School — провели AI Literacy for Undergraduates с аватарами и игрой на ChatGPT API. New York University — показали, как использовать NotebookLM для критической ИИ-грамотности в дисциплинах.  Harvard — запустили серию практических воркшопов по генеративному ИИ для аспирантов и постдоков STEM.  Ohio State University — объявили майский институт дизайна курсов с интеграцией GenAI.  San Francisco State University — открыли летнюю интенсивную серию по ИИ-грамотности с цифровым бейджем.  San Francisco State University — провели курс по созданию изображений с ChatGPT, Copilot и Adobe Firefly.  University of Notre Dame — провёл студенческий воркшоп по раскрытию, цитированию и атрибуции GenAI.  University of Pennsylvania — провёл воркшоп по критическому использованию ИИ и ИИ-грамотности.  Southern Arkansas University — провёл апрельскую серию из 3 ИИ-воркшопов: грамотность, промпты, LLM.  University of North Carolina — открыл Learning Assessment and AI Institute для пересборки оценивания.  Spelman College — поддержал проект «AI, Ethics and Pedagogy» для развития преподавателей.  ……. В России РостГМУ — «ИИ-мастерская»: вебинары про ИИ в списках литературы и генерацию учебных материалов.  Пензенский госуниверситет — вебинар «Генеративный ИИ для преподавателя». (Кафедра «Металлорежущие станки») Пензенский госуниверситет — вебинар про ИИ-ошибки в библиографии и исследовательских текстах.  ТУСУР — онлайн-школа ДПО «Нейросети в ДПО», 7–28 апреля. (ТУСУР) ТУСУР — 60 преподавателей и научных сотрудников прошли курс по ИИ в исследованиях. (ТУСУР) КФУ — курс повышения квалификации по ИИ в обучении иностранным языкам.  РГЭУ РИНХ — 120 преподавателей и сотрудников прошли обучение по ИИ.  «Цифровая школа Сбера» — в 2026 году заявила программу на 4 тысячи педагогов.  МГИМО — AI Week: открытые мастер-классы по ИИ-инструментам и агентам.  БФУ им. Канта — Сбер провёл мастер-класс по AI для Высшей школы компьютерных наук и ИИ.  СПбГЭУ — мастер-класс для студентов по практическим кейсам внедрения ИИ-агентов. (СПбГЭУ) РЭУ им. Плеханова — мастер-класс по быстрому созданию приложений в проекте «Топ-ИИ».  ГИТР — студенты прошли курс по ИИ: промпты, проверка данных, творческие работы.  Тимирязевская академия — школьники изучили компьютерное зрение и ИИ в АПК. (РГАУ-МСХА) ТУСУР / «Россия — страна возможностей» — студенты запустили «НейроАРТ» для школьников 8–11 классов.  ВШЭ и Сбер — студенты из 40 вузов и 17 регионов делали ИИ-помощника для бизнеса.  МГУ — открыт факультет искусственного интеллекта; первый набор — 70 мест.  МФТИ — анонсирован курс, где студентов учат критически проверять решения ИИ.  НИУ ВШЭ — Нижний Новгород и Сбер — траектория «Рекомендательные системы и ИИ» для 3–4 курсов.  СберУниверситет и «Школа 21» — запущена «ГигаАкадемия» по мультиагентным системам.  ВолГУ — курс «Основы использования нейросетей в юридической деятельности», 20–24 апреля.  КАИ, Набережные Челны — бесплатный тренинг «Введение в нейросети» для студентов.  …. Это, конечно, далеко не все за последние пару недель.  Вывод.  Со следующего учебного года ИИ в образовании уже не экзотика.  Это уже часть учебного процесса.  Все споры о том, “можно или нельзя» в России прекратятся полностью.  Обсуждать будут только «как можно вот в этом конкретном случае».  Но и тут выдумывать ничего не нужно.  Там, где внедрения начались на пару лет раньше, уже все придумали. Хотя и продолжают еще о нюансах спорить :)

#КартаИИ@aiobraz Генеративные чат-боты: репетитор, редактор или машина для списывания? Самый заметный тип ИИ в образовании — генеративные чат-боты. Это ChatGPT, Claude, Gemini, Copilot и другие системы, которые умеют вести диалог, объяснять, писать, структурировать, переводить, резюмировать и помогать с идеями. Их часто обсуждают через страх и непонимание: «студенты разучатся думать, вместо него все написал ИИ, там сплошные галлюцинации».  Такие риски существуют. Но, как часто преувеличены. Особенно любят бояться те работники образования, которые информацию об образовательном ИИ видели только в презентациях на скучных совещаниях.  В нормальном образовательном сценарии чат-бот — не автор вместо ученика, а тренажёр мышления. Что он может делать? Объяснить сложную тему простым языком. Подобрать аналогию. Составить вопросы для самопроверки. Показать слабые места в аргументации. Помочь преподавателю сделать черновик задания. Переписать текст под другой уровень сложности. Сгенерировать несколько вариантов кейсов. Подготовить план семинара. Список можно продолжать до бесконечности. Нет такого процесса внутри образования, в котором генеративный (но не только) ИИ не мог бы быть эффективно использован. Просто надо уметь работать с существующими инструментами.  Например, OpenAI описывает ChatGPT Edu как версию ChatGPT для университетов, которая предназначена для студентов, преподавателей, исследователей и административных процессов. Отдельно упоминаются персонализированная поддержка студентов, помощь исследователям и преподавателям.   Anthropic в Claude for Education говорит о том же самом. Все уже слышали о «плохих» и «хороших» запросах к ИИ. Плохой запрос: «Напиши эссе за меня». Хороший запрос: «Вот мой черновик. Проверь логику аргументации, задай вопросы и покажи, где я не доказал тезис». Плохой запрос: «Реши задачу». Хороший запрос: «Не давай ответ сразу. Веди меня шагами и задавай наводящие вопросы». Плохой запрос: «Сделай доклад». Хороший запрос: «Составь структуру доклада, а я сам заполню её источниками». Главная педагогическая проблема не в том, что ИИ пишет текст. Тексты без ИИ вообще скоро никто писать не будет. Многие старшие школьники и студенты не пишут уже. Мы об этом уже говорили в нашем канале.  Проблема в том, что студент может перестать делать усилие, ради которого и задана работа. Поэтому задания должны меняться. Нужно меньше оценивать «красивый финальный текст» и больше — процесс: черновики, источники, устную защиту, логику, перенос знания на новую задачу, способность объяснить собственное решение. Генеративный ИИ также ошибается. Он может уверенно придумать факт, ссылку, цитату или объяснение. Но не будет этого делать, если обучающийся понимает, как установить прямой запрет на подобное.  Тем не менее, результаты работы ИИ нельзя использовать как окончательный источник истины. Пока нельзя. Работа с ИИ прекрасно годится для черновика, тренировки и диалога. Но факты, источники и выводы проверяет человек. Если не ленится, конечно.  ИИ чат-бот в образовании это не зло и не чудо. Он становится либо шпаргалкой, либо тьютором в зависимости от правил, заданий и культуры использования. Продолжение следует

#КартаИИ@aiobraz Мы начинаем публиковать Карту образовательного ИИ. Инструментов много. Путаницы много. Попробуем разобраться.  План публикаций. 1. Общая карта: какие типы ИИ есть в образовании и науке. 2. Генеративные чат-боты: ChatGPT, Claude, Gemini, Copilot. 3. ИИ-тьюторы: почему подсказка лучше готового ответа. 4. Адаптивное обучение: как платформа строит индивидуальный маршрут. 5. Учебная аналитика: раннее выявление риска и дашборды. 6. ИИ для учителя: планы уроков, тесты, рубрики, материалы. 7. Оценивание и академическая честность: Gradescope, Turnitin, прокторинг. 8. ИИ и инклюзия: субтитры, перевод, чтение, речь. 9. ИИ для literature review: Semantic Scholar, Elicit, Scite, ResearchRabbit. 10. ИИ для документов и конспектов: NotebookLM и RAG. 11. ИИ для кода и анализа данных: Copilot, Codex, Colab, Advanced Data Analysis. 12. AI for Science: AlphaFold, GNoME, BioNeMo, GraphCast. 13. Компьютерное зрение в науке: микроскопы, спутники, телескопы. 14. Автономные лаборатории: ИИ плюс роботы. 15. ИИ-агенты: от помощника к исполнителю задач. 16. Риски, политика и правила внедрения. Карта ИИ в образовании и науке: что уже используется ИИ в образовании — это не один «чат-бот для списывания». Это целая группа технологий, которые уже встроены в обучение, научную работу, аналитику, проверку заданий, поиск литературы, лаборатории и административные процессы. Условно все образовательные и научные ИИ-системы можно разделить на несколько типов. Первый тип — генеративные ассистенты. Это ChatGPT, Claude, Gemini, Copilot и похожие системы. Они объясняют темы, помогают писать черновики, создавать тесты, разбирать документы, готовить учебные материалы и анализировать данные. OpenAI отдельно предлагает ChatGPT Edu для университетов: он рассчитан на студентов, преподавателей, исследователей и кампусные процессы.   Второй тип — ИИ-тьюторы. Их задача не просто дать ответ, а сопровождать мышление ученика. Например, Claude for Education включает learning mode: режим, который направляет рассуждение студента, а не просто выдаёт готовое решение. Аналогичный режим есть в ChatGpt.  Третий тип — адаптивные платформы. Они анализируют ответы, ошибки и темп ученика, а затем подбирают следующий шаг. Пример — MATHia от Carnegie Learning: система подстраивает математическое обучение под действия ученика.   Четвёртый тип — учебная аналитика. Это ИИ и алгоритмы, которые помогают преподавателю или вузу увидеть: кто отстаёт, где массовая ошибка, какой курс вызывает проблемы, кому нужна поддержка. Алгоритмы прогнозируют или выявляют скрытые аспекты учебного процесса на основе исторических данных и текущего поведения.   Пятый тип — ИИ для науки. Это уже не про рефераты, а про белки, новые материалы, молекулы, погоду и автономные лаборатории. AlphaFold 3, например, предназначен для предсказания структуры и взаимодействий биомолекулярных комплексов.   ИИ может быть репетитором, редактором, аналитиком, ассистентом исследователя, проверяющим, поисковиком, лабораторным ассистентом, планировщиком или административным помощником. Он полезен там, где усиливает человека. Он опасен там, где без контроля начинает оценивать, обвинять, решать судьбу студента или выдавать гипотезу за доказанный научный факт. Продолжение следует…

Говорят, хорошая нейросеть уже сегодня позволяет собрать отличную кандидатскую диссертацию, во всяком случае по гуманитарной теме, за неделю.  Что с этим делать? Вот что предлагает ChatGPT :) …. Поменять ситуацию можно только одним способом: превратить диссертацию в публичный научный продукт. Не «написал — защитился — положил в архив», а: исследовательская проблема → проверяемые данные или корпус источников → публичная дискуссия → текст, нужный другим людям → защита как финальная экспертиза, а не единственный смысл работы. 1. Тема должна рождаться из реального научного дефицита Главная болезнь многих диссертаций — ненужная постановка вопроса. Плохая тема выглядит так: «Особенности художественного метода Л. Н. Толстого в контексте нравственно-философской проблематики романа…» Такая тема не нужна никому. Хорошая тема начинается с вопроса: Какое знание появится после этой диссертации, которого раньше не было? Например, не «Толстой и нравственность», а: Как менялась аргументация против насилия в черновиках, публицистике и поздней прозе Толстого — и почему разные читательские группы прочитали её по-разному? 2. У диссертации должен быть адресат Сейчас диссертация часто пишется для «диссертационного совета». Это путь в корзину. Нужно заранее понимать, кто будет читать работу после защиты: специалисты по теме; преподаватели; студенты; редакторы академических изданий; музейные, архивные и культурные институции; государственные или общественные структуры, если тема прикладная; международные исследователи, если тема имеет внешний контекст. 3. Перед защитой нужна не имитация апробации, а настоящая внешняя критика «Апробация» часто превращается в формальность: выступил на конференции, опубликовал тезисы, получил галочку. Нужно иначе: За год до защиты — публичный доклад по замыслу. За полгода — обсуждение сильной главы. За три месяца — внешнее рецензирование всего текста, не только друзьями кафедры. До защиты — публикация тезисов диссертации в форме нормальной статьи: что я доказываю, на чём это основано, что здесь нового. 4. Диссертация должна быть написана человеческим языком Огромное количество диссертаций умирает не потому, что они неверны, а потому что их невозможно читать. «В рамках актуализации проблемно-семантической парадигмы репрезентации нравственно-онтологического комплекса…» А можно так: «Толстой не просто осуждает насилие. Он постепенно меняет сам способ разговора о насилии: от нравственной оценки поступка к критике институтов, которые делают насилие нормой». Это тоже научный язык. Но он живой. 5. У диссертации должна быть вторая жизнь После защиты автор должен сделать из диссертации один или несколько продуктов: 2–3 сильные статьи; монографию или научно-популярную книгу; открытый корпус источников; учебный модуль; публичную лекцию; методический материал; аналитическую записку, если тема прикладная. 6. Нужно оценивать не только факт защиты, но и послезащитную судьбу работы Сейчас защита — финальная точка. А должна быть промежуточная. Через 2–3 года можно смотреть: вышли ли статьи по теме; цитируется ли работа; используется ли она в преподавании; стала ли она книгой; востребован ли собранный корпус источников; продолжил ли автор тему; возникла ли вокруг работы дискуссия. Ничего нет? Это не должно автоматически отменять степень. Но должно влиять на репутацию научного руководителя, кафедры, диссертационного совета и аспирантской программы. 7. Нужно менять мотивацию аспиранта Пока главный мотив — «получить степень», текст будет квалификационным документом. Нужна другая установка: Кандидатская диссертация — это первая серьёзная заявка автора на собственное место в научном разговоре. Не «доказать, что я умею писать по правилам», а: «Вот вопрос, который я понял лучше других. Вот источники. Вот метод. Вот мой ответ. Вот почему теперь нельзя обсуждать эту тему так, будто моей работы не было». И вот здесь использовался ИИ :) Диссертация должна иметь проблему, адресата, внешнюю критику, читаемый язык и обязательную жизнь после защиты. К дипломам тоже относится :)

США ChatGPT for Teachers открыт для школ Справочный центр OpenAI (OpenAI Help Center) обновил описание ChatGPT for Teachers — защищённой рабочей среды ChatGPT для педагогов. Доступ заявлен бесплатным до июня 2027 года для подтверждённых сотрудников школ K–12 в США. Ученики к продукту не допускаются. Проверка идёт через школьный адрес, затем учитель может создать или присоединиться к школьному рабочему пространству. По умолчанию данные не используются для обучения моделей. Подробности https://help.openai.com/en/articles/12844995-chatgpt-for-teachers (OpenAI Help Center)

Сингапур ИИ-переход работников вынесли на уровень правительства, профсоюзов и работодателей Министерство трудовых ресурсов Сингапура, Национальный конгресс профсоюзов и Сингапурская национальная федерация работодателей 30 апреля объявили о намерении создать Tripartite Jobs Council — трёхсторонний совет по рабочим местам для перехода к экономике с искусственным интеллектом. Перепроектирование рабочих мест, обучение работников, поддержка компаний, карьерное сопровождение и доступ к ИИ-инструментам собирают в одну систему. С 1 мая участники профсоюза смогут использовать Union Training Assistance Programme для доступа к выбранным ИИ-инструментам. Подписка на ИИ-инструменты становится частью рабочего процесса, а не личной игрушкой работника. https://www.mom.gov.sg/newsroom/press-releases/2026/0430-formation-of-tripartite-jobs-council

Пятничное Жил-был Илья. Не то чтобы совсем без способностей, но из тех пользователей, которые тридцать три года находились в полном офлайне — без апдейтов знаний, навыков и компетенций. Лежал на печи. Ни онбординга, ни повышения квалификации, ни переподготовки. Печь была тёплая. Это, по сути, её единственное образовательное достоинство. Пришли к нему Калики Перехожие. Субъекты странные, плохо классифицируемые. Похоже — ранняя версия образовательной платформы с адаптивным интерфейсом и встроенной мотивацией. Предложили воды. Илья выпил. Прошивка обновлена. Полный апгрейд: физика, навыки, боевые модули — всё активировано. Без лекций, без домашних заданий, без тестирования. Онбординг занял пять минут. Для сравнения: современные платформы дают тот же результат за восемь недель видеолекций, три вебинара и тест из сорока вопросов, половина — про саму платформу. Илья встал и пошёл в мир. Первым делом зашёл на платформу. «БогатырьLearn» — «персонализированный ИИ-наставник для героев любого уровня». Три раунда инвестиций, красивый питч, логотип — золотой щит с нейросетью. Илья прошёл тестирование. Ответ системы: «Профиль нестандартный. 33 года без активности — вызов для алгоритма. Рекомендуем курс “Основы пробуждения: от печи к осознанности”. Уровень: начинающий. Шесть недель». Илья посмотрел на рекомендацию. Посмотрел в окно. Там уже стояли половцы. Нажал «пропустить» и поехал на Соловья-Разбойника. Соловей — классическая проблема информационного шума. Сидит на девяти дубах, свистит, парализует любую коммуникацию. Входящие данные — в мусор, исходящие — туда же. Современный аналог — корпоративный чат в пятницу после обеда. Илья применил точечное воздействие, устранил источник шума, восстановил нормальный информационный фон. «БогатырьLearn» прислал уведомление: «Вы завершили модуль “Управление информационным шумом”. Начислено 340 баллов. До сертификата — ещё 4 660». Илья уведомление закрыл. В Киеве князь Владимир собрал совещание. Повестка: цифровая трансформация богатырского дела. Участники: Добрыня, Алёша, консультанты и стартап «ДружинаТех» с презентацией на 42 слайда. Стартап предлагал заменить богатырей ИИ-системой раннего предупреждения, связанной с картами «Вещий Олег Мэпс» и аналитикой набегов на основе исторических данных. Илья сидел в углу и ел калачи. Добрыня спросил, как система работает без покрытия в поле. Тишина. Представитель стартапа объяснил: вопрос важный, в следующем релизе будет офлайн-режим, пока — кэшированные угрозы. Алёша спросил, что это. Совещание длилось ещё четыре часа. Половцы дошли до Чернигова. Вечером Илья вернулся на платформу. «Вы не заходили 14 дней! Серия прервана. Пройдите урок и восстановите прогресс. Тема: тайм-менеджмент для богатырей». Первый слайд: «Главный враг обучения — прокрастинация». Илья закрыл платформу, лёг спать и утром поехал освобождать Царьград. Без сертификата. Выводы: — тридцать три года на печи компенсируются быстрее правильным онбордингом, чем шестинедельным курсом; — платформа, которая выдаёт сертификат вместо результата, — это не образование, а коллекция значков; — информационный шум нужно устранять до совещания; — ИИ с «кэшированными угрозами» в чистом поле — архитектура любопытная, но бесполезная; — человек, который ничего не делал, а потом сделал всё, — не сбой системы, а её главный нераскрытый кейс. Калики Перехожие юрлицо так и не зарегистрировали. А могли бы поднять раунд.

https://dzen.ru/video/watch/69f232300649ef5602d3888c?share_to=link Интервью основателя Superjob.ru про ИИ. И рынок труда. Любопытно.

Великобритания  AI-блоки встроены в официальную линейку apprenticeship units (Модули профессионального обучения). DfE подтвердил доступность обновлённых AI units через Skills England и привязал их к действующим правилам финансирования.  (апрель–июль 2026 / последующие циклы). Это уже не “пилот для энтузиастов”, а часть нормального финансируемого контура профподготовки. https://www.gov.uk/government/publications/dfe-update-29-april-2026/dfe-update-local-authorities-29-april-2026