2 385
Subscribers
-224 hours
-27 days
-1330 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
August '26
August '26
+15
in 1 channels
July '26
+9
in 0 channels
Get PRO
June '26
+15
in 0 channels
Get PRO
May '26
+30
in 0 channels
Get PRO
April '26
+9
in 0 channels
Get PRO
March '26
+18
in 0 channels
Get PRO
February '26
+22
in 0 channels
Get PRO
January '26
+18
in 0 channels
Get PRO
December '25
+16
in 0 channels
Get PRO
November '25
+22
in 0 channels
Get PRO
October '25
+18
in 0 channels
Get PRO
September '25
+13
in 0 channels
Get PRO
August '25
+13
in 0 channels
Get PRO
July '25
+27
in 0 channels
Get PRO
June '25
+33
in 0 channels
Get PRO
May '25
+25
in 0 channels
Get PRO
April '25
+30
in 1 channels
Get PRO
March '25
+25
in 0 channels
Get PRO
February '25
+18
in 0 channels
Get PRO
January '25
+32
in 1 channels
Get PRO
December '24
+21
in 2 channels
Get PRO
November '24
+24
in 1 channels
Get PRO
October '24
+28
in 1 channels
Get PRO
September '24
+27
in 0 channels
Get PRO
August '24
+24
in 0 channels
Get PRO
July '24
+31
in 0 channels
Get PRO
June '24
+30
in 0 channels
Get PRO
May '24
+26
in 0 channels
Get PRO
April '24
+43
in 0 channels
Get PRO
March '24
+34
in 2 channels
Get PRO
February '24
+47
in 0 channels
Get PRO
January '24
+45
in 0 channels
Get PRO
December '23
+40
in 0 channels
Get PRO
November '23
+51
in 2 channels
Get PRO
October '23
+78
in 3 channels
Get PRO
September '23
+43
in 0 channels
Get PRO
August '23
+49
in 0 channels
Get PRO
July '23
+55
in 0 channels
Get PRO
June '23
+45
in 0 channels
Get PRO
May '23
+60
in 0 channels
Get PRO
April '23
+41
in 0 channels
Get PRO
March '23
+41
in 0 channels
Get PRO
February '23
+53
in 0 channels
Get PRO
January '23
+54
in 0 channels
Get PRO
December '22
+50
in 0 channels
Get PRO
November '22
+74
in 0 channels
Get PRO
October '22
+48
in 0 channels
Get PRO
September '22
+75
in 0 channels
Get PRO
August '22
+58
in 0 channels
Get PRO
July '22
+145
in 0 channels
Get PRO
June '22
+42
in 0 channels
Get PRO
May '22
+49
in 0 channels
Get PRO
April '22
+81
in 0 channels
Get PRO
March '22
+74
in 0 channels
Get PRO
February '22
+94
in 0 channels
Get PRO
January '22
+58
in 0 channels
Get PRO
December '21
+39
in 0 channels
Get PRO
November '21
+37
in 0 channels
Get PRO
October '21
+62
in 0 channels
Get PRO
September '21
+54
in 0 channels
Get PRO
August '21
+63
in 0 channels
Get PRO
July '21
+103
in 0 channels
Get PRO
June '21
+129
in 0 channels
Get PRO
May '21
+167
in 0 channels
Get PRO
April '21
+107
in 0 channels
Get PRO
March '21
+64
in 0 channels
Get PRO
February '21
+54
in 0 channels
Get PRO
January '21
+102
in 0 channels
Get PRO
December '20
+1 994
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 27 August | 0 | |||
| 26 August | 0 | |||
| 25 August | +1 | |||
| 24 August | +2 | |||
| 23 August | 0 | |||
| 22 August | +1 | |||
| 21 August | 0 | |||
| 20 August | 0 | |||
| 19 August | +2 | |||
| 18 August | 0 | |||
| 17 August | +2 | |||
| 16 August | 0 | |||
| 15 August | 0 | |||
| 14 August | +3 | |||
| 13 August | 0 | |||
| 12 August | 0 | |||
| 11 August | +1 | |||
| 10 August | +1 | |||
| 09 August | 0 | |||
| 08 August | 0 | |||
| 07 August | 0 | |||
| 06 August | 0 | |||
| 05 August | 0 | |||
| 04 August | +2 | |||
| 03 August | 0 | |||
| 02 August | 0 | |||
| 01 August | 0 |
Channel Posts
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)
| 2 | 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. | 46 |
| 3 | 🦄_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) | 68 |
| 4 | 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) | 95 |
| 5 | 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) | 108 |
| 6 | Университеты предпочли бы этого не делать
Искусственный интеллект и монополия на получение дипломов
Автор Холлис Роббинс
Статья Холлиса Роббинса — это жёсткая критика высшего образования за неспособность перестроиться под эпоху ИИ. Университеты, обладая фактической монополией на выдачу дипломов, ведут себя как британская почта XIX века, которая недооценила телефон, потому что была уверена в достаточности телеграфа и посыльных.
1. Передовой ИИ уже практически полностью находится вне университетов.
Университеты поэтому практически не влияют на скорость движения фронтира ИИ.
2. При этом университеты сохраняют монополию на диплом и сертификацию.
3. Университеты неправильно понимают свою будущую роль.
Автор предлагает фактически новую формулу университета:
ИИ отвечает за доступ к существующему знанию, университет — за создание нового знания и развитие человеческих способностей работать там, где знания ещё нет.
4. Это касается не только computer science.
AI-компетентность должна стать частью каждой дисциплины, а не отдельной специальностью.
5. Особенно серьёзная проблема — оценивание.
6. Университеты при этом обладают огромным потенциалом.
Но, по мнению Роббинса, университеты не используют этот потенциал стратегически.
7. Будущее — в разрыве между знаниями ИИ и знаниями людей.
Университет должен учить студентов обнаруживать:
- чего ИИ уже умеет;
- чего он ещё не умеет;
- где он ошибается;
- чего не знают ни ИИ, ни люди;
- какие новые знания необходимо создать.
То есть образование должно переходить от передачи известного к исследованию неизвестного.
Плохой сценарий — университет просто добавляет к старой системе несколько курсов «AI literacy», выдаёт студентам доступ к чат-боту и одновременно запрещает использовать его на экзаменах.
Хороший сценарий — университет полностью перестраивается:
знания → ИИ;
передача информации → ИИ;
стандартные задания → ИИ;
проверка фактов → ИИ;
исследование неизвестного → человек + ИИ;
постановка новых вопросов → человек;
создание нового знания → университет;
оценка способности действовать в реальном мире → университет.
«Зачем нужен университет, если ИИ уже способен бесплатно и мгновенно передавать большую часть известных человечеству знаний?»
Университет должен оправдывать свою монополию не тем, что он хранит и передаёт прошлое, а тем, что он расширяет границу неизвестного. Именно неспособность сделать этот переход автор считает главным институциональным провалом высшего образования.
Читать 12мин) | 112 |
| 7 | Искусственный интеллект разрушает науку
Когда мы передаем обзор литературы алгоритмам, мы теряем целые области знаний.
Авторы Майя По и Дилан Б. Драйер
Статья Майи По и Дилана Б. Драйера предупреждает о малозаметной, но серьезной угрозе академической науке, связанной с использованием генеративного ИИ при подготовке научных статей. Авторы называют ее «пропущенным звеном» (missing middle).
Суть проблемы: ИИ способен быстро сформировать внешне убедительный обзор литературы, но часто строит его по схеме: несколько фундаментальных работ 1980–1990-х годов → сразу множество самых свежих публикаций 2023–2026 годов. При этом огромный пласт исследований, выполненных между этими периодами, оказывается практически невидимым.
Причина, по мнению авторов, связана с особенностями доступа ИИ к научной информации: модели лучше «видят» открытые материалы, препринты и недавно опубликованные статьи, тогда как значительная часть качественной академической литературы находится за издательскими paywall. В результате ИИ создает иллюзию полноценного обзора, хотя фактически не прослеживает эволюцию научной области.
Это приводит к нескольким последствиям:
Теряется история развития научных идей.
Обедняется научное мышление.
Искажается представление о научных пробелах.
Страдают исследователи.
Получают дополнительную видимость хищнические журналы
Отдельная проблема возникает в разделе Discussion. Хороший исследователь сопоставляет собственные результаты с конкретными предыдущими исследованиями, показывает, что именно подтверждено, опровергнуто или дополнено. ИИ-генерированные статьи часто вместо этого просто повторяют результаты, перечисляют ограничения исследования и предлагают «будущие исследования». То есть исчезает главное — интеллектуальный диалог с предшествующей наукой.
Обзор литературы — это не формальная часть научной статьи и не список цитат. Это интеллектуальная работа по восстановлению траектории развития научного знания. Именно благодаря чтению большого количества исследований человек способен увидеть связи, противоречия, забытые результаты и понять, действительно ли предлагается что-то новое.
Поэтому авторы не призывают просто запретить ИИ в академическом письме. Их позиция: нельзя передавать машине сам процесс осмысления научной литературы.
Опасность GenAI для науки может заключаться не столько в очевидных «галлюцинациях» или стилистически плохом тексте, сколько в систематическом искажении структуры научного знания.
ИИ способен сделать научную статью более гладкой, убедительной и современной на вид — одновременно сделав ее интеллектуально беднее. Если эта практика станет массовой, возникает риск своеобразной «машинной эрозии» науки: новые поколения исследователей будут опираться на литературу, уже предварительно отфильтрованную алгоритмами, и постепенно перестанут видеть значительную часть реальной истории своей дисциплины.
Иными словами: проблема не в том, что ИИ плохо пишет обзоры литературы. Проблема в том, что он может незаметно изменить саму карту того, что считается научным знанием.
Читать 5мин | 132 |
| 8 | Современное и будущее применение ИИ в научных публикациях
Автор: Стивен Даунс
Статья Стивена Даунса рассматривает, как искусственный интеллект уже меняет научные публикации и как он может трансформировать саму модель академического издательства. Пока доказательная база ограничена: генеративный ИИ появился слишком недавно, а технологии развиваются быстрее, чем формируется научная литература о них.
Основные преимущества ИИ — повышение эффективности исследователей и снижение издержек. ИИ может помогать практически на всех этапах: формулировать исследовательские вопросы, искать и синтезировать литературу, создавать и редактировать тексты, анализировать данные, проверять цитирования, поддерживать рецензирование и распространять результаты исследований. Особенно важна возможность сделать научную работу более доступной для молодых ученых и исследователей, работающих вне традиционных академических центров.
Одновременно возникают серьезные риски: галлюцинации и фиктивные ссылки, ошибки и предвзятость, снижение научной добросовестности, появление «фабрик статей», проблемы авторства, конфиденциальности и интеллектуальной собственности. Поэтому автор выступает против некритической автоматизации: ИИ должен поддерживать человеческое суждение, но не заменять его, а ответственность за содержание публикации должна оставаться за человеком.
Интересна не просто автоматизация существующей издательской модели, а возможности ее преобразования. Автор рассматривает такие варианты, как реестры исследовательских идей, дезагрегация статьи на отдельные научные вклады, карты развития идей, мультимодальные и «живые» документы, открытое коллективное рецензирование и оценку ученых по реальному влиянию их работы, а не по количеству публикаций.
ИИ является не только инструментом ускорения научной публикации, но и фактором, заставляющим заново ответить на вопрос: зачем вообще существует научная статья и каким должен быть научный журнал? Возможно, в будущем публикация будет представлять собой не статичный законченный текст, а динамическую систему, включающую данные, гипотезы, результаты, воспроизведение исследований, обсуждение и постоянно обновляемые версии.
Будущее научных публикаций связано не с заменой ученого ИИ, а с переходом к гибридной человеко-ИИ системе производства, проверки, распространения и оценки научного знания. При этом развитие ИИ может поставить под вопрос не отдельные элементы издательского процесса, а саму традиционную парадигму научной публикации.
Читать 26мин | 98 |
| 9 | Прекратите гнаться за званием «Первого»
Автор Карен Фреберг
Запустить первый AI-курс, первый центр или первую программу легко превратить в PR-событие, но настоящий успех определяется тем, что происходит спустя год, пять или десять лет.
«Быть первым» ≠ «оказывать влияние». Пресс-релиз, публикация в СМИ или громкий запуск создают внимание, но не обязательно образовательный эффект.
Ценность возникает через постоянство. Студенты запоминают не университет, который первым объявил о программе, а преподавателя, который изменил их мышление, наставника, который помог построить карьеру, и курс, который действительно подготовил к работе.
Запуск — это только начало. Гораздо сложнее поддерживать, обновлять и совершенствовать образовательный продукт после того, как исчезло первоначальное внимание.
Репутация строится результатами. Работодатели и партнеры остаются с университетом не потому, что он был первым, а потому, что его выпускники хорошо работают, преподаватели связаны с профессиональной практикой, а программы постоянно адаптируются.
Малые команды могут быть инновационнее крупных институтов. Для значимых инноваций не обязательно иметь огромный бюджет или сильнейший маркетинг. Преподаватель может экспериментировать непосредственно в своем курсе, сотрудничать с индустрией и студентами и постепенно создавать работающую модель.
Учебные программы должны обновляться постоянно. Автор противопоставляет обновление каждый семестр традиционной логике пересмотра программ раз в несколько лет.
Любопытство становится профессиональной компетенцией. Нужно читать за пределами своей дисциплины, следить за предпринимателями, практиками и исследователями и переносить идеи из других областей в образование.
Создавать нужно вместе с пользователями. Студенты, выпускники, работодатели и партнеры должны участвовать в создании образовательных решений.
Документировать важно не меньше, чем создавать. Публикация экспериментов, результатов, ошибок и изменений мышления позволяет сформировать профессиональный авторитет естественным образом — не заявляя «я эксперт», а демонстрируя работу.
Статья фактически предлагает перейти от «innovation theatre» к sustained innovation — от демонстрации инновационности к постоянному улучшению.
Это особенно актуально сейчас, когда университеты соревнуются в объявлениях вроде:
«Первый AI-университет» → «Первый AI-факультет» → «Первый AI-курс» → «Первый AI-агент».
Сам факт использования ИИ быстро перестает быть инновацией. Конкурентным преимуществом становится способность показать, что произошло после внедрения: изменились ли результаты студентов, качество обучения, трудоустройство, исследовательская продуктивность, взаимодействие с индустрией.
Что из этого следует для университета
Для университета можно предложить простую замену KPI:
Старый подход
Мы первые
Мы запустили
У нас есть AI-программа
Сколько студентов записалось?
Сколько публикаций/новостей?
Один большой запуск
Новый подход
Мы полезны
Мы продолжаем развивать
AI-программа дает измеримый эффект
Что изменилось у студентов?
Какой реальный результат?
Постоянный цикл экспериментов
Мы накопили доказательства
Не пытайтесь быть первыми. Станьте настолько полезными, чтобы вас продолжали помнить.
Читать 5мин | 98 |
| 10 | Новый подход EdTech: докажите результат, а не только количество зачисленных студентов
Автор С. Шанти
Основные тенденции на рынке edtech:
Фокус на outcomes (результатах): инвесторы хотят видеть не количество записавшихся на курс, а показатели трудоустройства, роста зарплаты, карьерного продвижения и возврата инвестиций для учащихся.
Рост популярности моделей оплаты за результат: такие компании, как Masai School, получают оплату только после того, как выпускник находит работу и достигает определенного уровня дохода. Риск частично переносится на образовательного провайдера.
В корпоративном обучении успех измеряется не числом обученных сотрудников, а влиянием на бизнес-показатели: продажи, производительность, эффективность работы.
ИИ перестает быть конкурентным преимуществом сам по себе. Поскольку персонализация и генеративный ИИ становятся стандартом рынка, инвесторы требуют доказательств того, что технология реально улучшает результаты.
Среди перспективных направлений называются:
обучение в группах с поддержкой ИИ;
платформы непрерывного обучения на протяжении всей карьеры;
совместная разработка программ с работодателями;
интеграция обучения непосредственно в рабочие процессы;
образовательные сообщества и peer-to-peer обучение;
консолидация рынка через слияния и поглощения.
Следующая волна успешных EdTech-компаний будет строиться не вокруг продажи курсов, а вокруг доказательства того, что обучение приводит к лучшей работе, более высоким доходам и реальным изменениям в жизни человека или в бизнесе организации.
Для университетов, корпоративного обучения и EdTech это означает необходимость измерять и демонстрировать реальные эффекты обучения: трудоустройство выпускников, карьерные траектории, развитие компетенций и влияние на производительность труда.
Модели «оплаты за результат» могут быть эффективны для профессиональной подготовки, но не должны становиться единственным критерием оценки качества образования.
Читать 3мин | 94 |
| 11 | 🦄Обзор технологических стартапов в образовании от 16.08.2026
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Legio привлекает 5 миллионов долларов посевного финансирования для своей платформы безопасности кампуса
Читать 3мин
5U AI привлекла 3,2 млн долларов США для масштабирования цифровой платформы для управления персоналом европейских команд экспедиторов
Читать 3мин
Компания Founderpath объявила об инвестициях в размере 2,5 миллиона долларов в Learning Explorer, предлагающую учебные траектории, которые продвигают всех учащихся вперед благодаря вовлеченности, практике и оценке, соответствующим стандартам.
Читать 2мин
Переход Enrola к технологиям продаж на основе ИИ привлек 2,1 миллиона долларов в рамках посевного финансирования
Читать 3мин
Глобальная технологическая платформа для студенческого жилья и онлайн-площадка для поиска жилья House of Student привлекла 2 млн долларов в рамках посевного финансирования.
Читать 1мин
Стартап Wippi, специализирующийся на разработке детского потребительского оборудования и интерактивных медиа, привлек 1,2 млн долларов в рамках посевного финансирования
Читать 1мин
Цифровая платформа Fitting, специализирующаяся на автоматизации и цифровизации цепочек поставок в строительстве, завершила второй раунд посевного финансирования на сумму 1,1 млн долларов
Читать 1мин
Компания Lane, поставщик технологичных платформ для обучения вождению и обеспечения мобильности транспортных средств, привлекла около 1,01 млн долларов США в рамках предпосевного финансирования
Читать 1мин
Civitas ID получает грант в размере 500 000 долларов на создание открытой цифровой общественной инфраструктуры, устраняющей пробел в документации
Читать 2мин
Посевной раунд финансирования ($300 тыс.) Educa360 - образовательной платформы для преподавателей и студентов, объединяющей расширенную реальность и искусственный интеллект для создания образовательных, культурных и терапевтических программ
Читать 1мин
Компания Advanced eClinical Training - онлайн-программ сертификации и развития трудовых ресурсов в сфере здравоохранения - получила инвестиции от Tortuga Growth Partners
Читать 1мин
Объявлены победители открытого конкурса LINGUA Africa. Список лауреатов включает стартапы: Digital Umuganda Limited (Руанда) Преподаватель ИИ на языке киньяруанда для работников здравоохранения на местах, Ushahidi Inc. Открытые языковые ресурсы для здравоохранения и образования на языках тонга, тджвао и дома; Algedi Intelligence Labs Limited разрабатывает языковые ресурсы на семи ключевых языках: суахили, гикуйю, камба, дхолуо, маа, календжин и сомалийский; AntuGrow Limited, консультации по сельскому хозяйству и кредитная грамотность с использованием голосового ввода
Efficience Globale, Консалтинговая фирма по стратегическому планированию и управлению, предоставляющая решения, прочно укоренившиеся в африканском контексте
Читать 2мин | 103 |
| 12 | EdTech — это не одна отрасль, а девять
Автор: Иэн Маккалоу
📌Современный EdTech переживает глубокий кризис идентичности и падение инвестиций (в 2025 году объёмы упали на 68% по сравнению с пиком 2018 года), вызванное в том числе развитием ИИ и изменением экономических моделей. Старый подход («EdTech — это просто технологии против бумаги») больше не работает. Чтобы восстановить отрасль, необходимо переосмыслить её границы, вернувшись к миссии и чёткой систематизации.
Кризис идентичности и неэффективность ребрендинга
Отказ от слова «технологии» в названиях организаций (переход к абстрактным понятиям вроде «инновации» и «трансформация») размывает ценностное предложение всей индустрии.
Попытки основателей перенести B2C/PLG-модели на институциональные рынки (B2B/B2G) без учёта специфики циклов продаж часто приводят к неудачам.
Новое определение EdTech
Автор предлагает систематизировать отрасль через формулировку, содержащую ценностный ориентир:
EdTech — это набор инструментов и систем, расширяющих доступ к эффективному обучению, чтобы каждый учащийся мог получить образование, меняющее жизнь.
📐 Модель «3х3»: Девять областей EdTech
Для оценки рисков, финансовых показателей и потенциала роста автор делит индустрию на 9 уникальных секторов, возникающих на пересечении двух измерений:
1. Категории решений
Обучение (Learning): Программы и контент для непосредственно образовательного процесса (например, приложения для чтения или банки вопросов). (Типичная внутренняя норма доходности, IRR: < 10%).
Инфраструктура (Infrastructure): Системы управления и обеспечения процессов (SIS, системы прокторинга/блокировки). (Типичный IRR: 15–20%).
Управляемые сервисы (Managed Services): Комплексные операционные услуги (например, OPM-провайдеры или стандартизированное тестирование вроде ETS).
2. Типы рынка
B2C (Потребительский сектор / персональное использование)
B2B (Корпоративный сектор)
B2G (Государственный сектор и государственные институты)
🎯 Структурирование рынка по матрице 3х3 позволяет:
Инвесторам и основателям: Точнее оценивать риски появления новых игроков и финансовые метрики в каждой из 9 областей.
Продуктовым командам: Строить более эффективные стратегии выхода на рынок (Go-To-Market) с учётом специфики выбранного сектора.
Отрасли в целом: Получить единый язык для обсуждения бизнес-моделей и преодоления стагнации.
Читать 6мин | 179 |
| 13 | *EdTech — это не одна отрасль, а девять*
_Автор: Иэн Маккалоу_
📌Современный EdTech переживает глубокий кризис идентичности и падение инвестиций (в 2025 году объёмы упали на 68% по сравнению с пиком 2018 года), вызванное в том числе развитием ИИ и изменением экономических моделей. Старый подход («EdTech — это просто технологии против бумаги») больше не работает. Чтобы восстановить отрасль, необходимо переосмыслить её границы, вернувшись к миссии и чёткой систематизации.
Кризис идентичности и неэффективность ребрендинга
Отказ от слова «технологии» в названиях организаций (переход к абстрактным понятиям вроде «инновации» и «трансформация») размывает ценностное предложение всей индустрии.
Попытки основателей перенести B2C/PLG-модели на институциональные рынки (B2B/B2G) без учёта специфики циклов продаж часто приводят к неудачам.
Новое определение EdTech
Автор предлагает систематизировать отрасль через формулировку, содержащую ценностный ориентир:
EdTech — это набор инструментов и систем, расширяющих доступ к эффективному обучению, чтобы каждый учащийся мог получить образование, меняющее жизнь.
📐 Модель «3х3»: Девять областей EdTech
Для оценки рисков, финансовых показателей и потенциала роста автор делит индустрию на 9 уникальных секторов, возникающих на пересечении двух измерений:
1. Категории решений
Обучение (Learning): Программы и контент для непосредственно образовательного процесса (например, приложения для чтения или банки вопросов). (Типичная внутренняя норма доходности, IRR: < 10%).
Инфраструктура (Infrastructure): Системы управления и обеспечения процессов (SIS, системы прокторинга/блокировки). (Типичный IRR: 15–20%).
Управляемые сервисы (Managed Services): Комплексные операционные услуги (например, OPM-провайдеры или стандартизированное тестирование вроде ETS).
2. Типы рынка
B2C (Потребительский сектор / персональное использование)
B2B (Корпоративный сектор)
B2G (Государственный сектор и государственные институты)
🎯 Структурирование рынка по матрице 3х3 позволяет:
Инвесторам и основателям: Точнее оценивать риски появления новых игроков и финансовые метрики в каждой из 9 областей.
Продуктовым командам: Строить более эффективные стратегии выхода на рынок (Go-To-Market) с учётом специфики выбранного сектора.
Отрасли в целом: Получить единый язык для обсуждения бизнес-моделей и преодоления стагнации.
[Читать 6мин](https://dzen.ru/a/an7tQK47bwRlPT6a) | 1 |
| 14 | От постепенного высвобождения ответственности к постепенному высвобождению технологий: аргументы в пользу поэтапного использования ИИ в формальном образовании
Автор: Люк Роу
Автор предлагает отказаться от бинарного вопроса «ИИ полезен или вреден для образования» и перейти к вопросу «когда, как и в какой степени конкретному учащемуся следует разрешать использовать ИИ». Для этого он предлагает модель GRAIT (Gradual Release of AI Technology) — постепенного внедрения технологий ИИ.
Возникает «парадокс производительности»: результат при использовании ИИ улучшается, но последующая работа без ИИ может оказаться хуже.
Отсюда важный принцип: Хороший результат с помощью ИИ ≠ устойчивое обучение.
Люк Роу связывает проблему с концепциями когнитивной нагрузки и когнитивной разгрузки.
Разгрузка может быть полезной, если ИИ берет на себя рутинные операции и освобождает ресурсы для более сложного мышления. Но она становится вредной, если ИИ выполняет именно те когнитивные операции, посредством которых формируются знания и навыки.
Например, если студент еще не научился самостоятельно формулировать вопросы, строить аргумент или решать базовые математические задачи, передача этих операций ИИ лишает его необходимой практики.
Поэтому автор выступает не против когнитивной разгрузки как таковой, а против преждевременной разгрузки.
Модель GRAIT расширяет классическую педагогическую модель Gradual Release of Responsibility (GRR) — постепенного перехода ответственности от учителя к ученику.
GRR отвечает на вопрос:
«Кто выполняет когнитивную работу?»
GRAIT добавляет второй вопрос:
«Когда и каким образом эту работу можно передать ИИ?»
У модели GRAIT три этапа:
Этап 1. Самостоятельное познание (преимущественно проходить без генеративного ИИ) Инструменты могут использоваться, если они не выполняют за ученика саму целевую когнитивную работу.
Этап 2. Совместное познание (ИИ постепенно вводится как партнер в мышлении, но под контролем преподавателя).
Этап 3. Перераспределение когнитивных задач (учащийся может начать стратегически делегировать ИИ отдельные операции).
Переход между этапами определяется не возрастом, а готовностью (Знания, Навыки, Эпистемическое понимание, AI-грамотность).
Особенно важен принцип «сначала компетентность — потом автоматизация»
Из модели следует довольно радикальное требование: часть оценивания должна проходить без ИИ - объектом оценки постепенно становится не только «что студент произвел», но и «как он организует человеческо-ИИ взаимодействие».
GRAIT предлагает воспринимать ИИ не как еще один инструмент, который просто добавляется в образовательный процесс, а как технологию, доступ к которой должен постепенно расширяться по мере развития компетентности.
Логика выглядит так:
Самостоятельное познание
↓
формирование базовых знаний и навыков
↓
Совместное познание с ИИ
↓
формирование способности критически взаимодействовать с ИИ
↓
Стратегическое делегирование ИИ
↓
перераспределение человеческих усилий на более сложные задачи
Автор при этом подчеркивает, что GRAIT — концептуальная, а не окончательно доказанная модель. Она требует дальнейшей эмпирической проверки в разных дисциплинах, возрастах и образовательных контекстах.
Для высшего образования эта идея предполагает переход от политики «AI allowed / AI prohibited» к гораздо более содержательной политике «AI access according to demonstrated competence» — доступ к ИИ в зависимости от продемонстрированной компетентности.
Читать 26мин | 130 |
| 15 | От постепенного высвобождения ответственности к постепенному высвобождению технологий: аргументы в пользу поэтапного использования ИИ в формальном образовании
Автор: Люк Роу
Автор предлагает отказаться от бинарного вопроса «ИИ полезен или вреден для образования» и перейти к вопросу «когда, как и в какой степени конкретному учащемуся следует разрешать использовать ИИ». Для этого он предлагает модель GRAIT (Gradual Release of AI Technology) — постепенного внедрения технологий ИИ.
Возникает «парадокс производительности»: результат при использовании ИИ улучшается, но последующая работа без ИИ может оказаться хуже.
Отсюда важный принцип: Хороший результат с помощью ИИ ≠ устойчивое обучение.
Люк Роу связывает проблему с концепциями когнитивной нагрузки и когнитивной разгрузки.
Разгрузка может быть полезной, если ИИ берет на себя рутинные операции и освобождает ресурсы для более сложного мышления. Но она становится вредной, если ИИ выполняет именно те когнитивные операции, посредством которых формируются знания и навыки.
Например, если студент еще не научился самостоятельно формулировать вопросы, строить аргумент или решать базовые математические задачи, передача этих операций ИИ лишает его необходимой практики.
Поэтому автор выступает не против когнитивной разгрузки как таковой, а против преждевременной разгрузки.
Модель GRAIT расширяет классическую педагогическую модель Gradual Release of Responsibility (GRR) — постепенного перехода ответственности от учителя к ученику.
GRR отвечает на вопрос:
«Кто выполняет когнитивную работу?»
GRAIT добавляет второй вопрос:
«Когда и каким образом эту работу можно передать ИИ?»
У модели GRAIT три этапа:
Этап 1. Самостоятельное познание (преимущественно проходить без генеративного ИИ) Инструменты могут использоваться, если они не выполняют за ученика саму целевую когнитивную работу.
Этап 2. Совместное познание (ИИ постепенно вводится как партнер в мышлении, но под контролем преподавателя).
Этап 3. Перераспределение когнитивных задач (учащийся может начать стратегически делегировать ИИ отдельные операции).
Переход между этапами определяется не возрастом, а готовностью (Знания, Навыки, Эпистемическое понимание, AI-грамотность).
Особенно важен принцип «сначала компетентность — потом автоматизация»
Из модели следует довольно радикальное требование: часть оценивания должна проходить без ИИ - объектом оценки постепенно становится не только «что студент произвел», но и «как он организует человеческо-ИИ взаимодействие».
GRAIT предлагает воспринимать ИИ не как еще один инструмент, который просто добавляется в образовательный процесс, а как технологию, доступ к которой должен постепенно расширяться по мере развития компетентности.
Логика выглядит так:
Самостоятельное познание
↓
формирование базовых знаний и навыков
↓
Совместное познание с ИИ
↓
формирование способности критически взаимодействовать с ИИ
↓
Стратегическое делегирование ИИ
↓
перераспределение человеческих усилий на более сложные задачи
Автор при этом подчеркивает, что GRAIT — концептуальная, а не окончательно доказанная модель. Она требует дальнейшей эмпирической проверки в разных дисциплинах, возрастах и образовательных контекстах.
Для высшего образования эта идея предполагает переход от политики «AI allowed / AI prohibited» к гораздо более содержательной политике «AI access according to demonstrated competence» — доступ к ИИ в зависимости от продемонстрированной компетентности.
[Читать 26мин](https://dzen.ru/a/an3L2HQCsAs088Ec) | 1 |
| 16 | 🦄Обзор технологических стартапов в образовании от 09.08.2026
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Стартап Zayra, обучающий блокчейну и токенизации, привлек 15 миллионов реалов (2,7 млн долларов США) для запуска новой платформы
[Читать 1мин](https://vk.ru/wall-87570467_6204)
Компания Axis Education Донага Барри инвестирует в образовательную технологическую фирму Studyclix из Слайго, которая предоставляет студентам и преподавателям инновационные инструменты для подготовки к экзаменам и контент, специально разработанный для экзаменов
[Читать 2мин](https://vk.ru/wall-87570467_6202)
CcHUB и Mastercard Foundation отобрали 12 стартапов для четвертого потока стипендиальной программы EdTech Fellowship: TrainDTrainer Ltd, Talktu, DAWN AI STUDY и Efiwe разрабатывают решения для учащихся с ограниченными возможностями, Ileemore Technologies Limited, Skillup Africa и Lena расширяют доступ к образованию в малообеспеченных, сельских и пострадавших от перемещения общинах, Heels and Tech , NursePadi , Skilladder AI и Lalitah сосредоточены на улучшении участия, развитии навыков и экономических возможностей для девочек и молодых женщин, а Ribara Analytica создает инфраструктуру данных для укрепления планирования образования и улучшения путей от обучения к трудоустройству.
[Читать 2мин](https://vk.ru/wall-87570467_6200) | 127 |
| 17 | Критическое мышление стало модным словом эпохи ИИ. Но что оно на самом деле означает и как его преподавать?
Автор Сара Келлс
Статья предлагает переосмыслить критическое мышление в эпоху ИИ. Выражение «критическое мышление» рискует превратиться в универсальный педагогический лозунг, не учитывающий изменения цифровой среды.
Критическое мышление следует понимать не только как анализ информации и оценку аргументов, но как сочетание двух процессов: Рефлексия и Суждение.
В эпоху ИИ особенно важна интеллектуальная скромность — понимание границ собственного знания и готовность пересматривать свои выводы. ИИ делает особенно легким создание убедительных текстов, которые могут выглядеть интеллектуально глубокими, хотя человек фактически не проделал необходимой мыслительной работы.
Автор поэтому предлагает сместить акцент образования с вопроса «получил ли студент правильный ответ?» на вопросы:
- Как он пришел к этому выводу?
- Какие доказательства его поддерживают?
- Что может заставить его изменить мнение?
- Насколько он уверен и на чем основана эта уверенность?
- Понимает ли он ограничения собственного знания?
Особенно важен цифровой контекст: алгоритмы социальных сетей и ИИ определяют, какую информацию человек видит и в каком виде. Поэтому современное критическое мышление должно включать анализ не только самого содержания, но и механизма его появления перед пользователем.
Критическое мышление нельзя эффективно преподавать как отдельный универсальный навык или отдельный курс. Его нужно формировать через регулярные учебные ситуации, в которых студент вынужден выдвигать гипотезу → аргументировать → сталкиваться с контраргументом или новыми данными → пересматривать позицию → объяснять, почему он ее изменил.
В этом смысле ИИ не отменяет критическое мышление, а повышает требования к нему: чем легче получить готовый убедительный ответ, тем важнее способность отличать хорошо сформулированный ответ от действительно понятого и обоснованного знания.
Критическое мышление рассматривается автором не только как когнитивная компетенция, но и как гражданская привычка, необходимая демократии. Умение сомневаться в себе, распознавать неопределенность и менять позицию при появлении новых доказательств становится важнее способности просто уверенно отстаивать собственное мнение.
[Читать 5мин](https://dzen.ru/a/anr0MRGUmxG4hlNh) | 112 |
| 18 | Превращение университетов в мир заочного обучения
Автор Том Уортингтон
Том Уортингтон критикует подход, в котором университеты должны сохранять очное обучение как стандарт, а заочным студентам предоставлять дополнительную поддержку. Современный университет должен быть изначально спроектирован прежде всего для студентов, которые совмещают учебу с работой, семьей и другими обязанностями.
Вместо того чтобы помогать «неудобным» заочникам адаптироваться к системе очного образования, следует превратить университет в систему, ориентированную на гибкое, преимущественно онлайн-обучение, где очное присутствие является дополнительной возможностью.
Разделение на «очных» и «заочных» студентов становится все менее адекватным.
Специальные меры поддержки заочников не решают проблему, поскольку сама образовательная модель изначально рассчитана на студента, который может регулярно находиться на кампусе.
Курсы следует сразу проектировать для асинхронного и онлайн-обучения, обеспечивая при этом возможность участия в очных мероприятиях.
Университет должен предоставлять дополнительные образовательные и социальные возможности, но не должен быть обязательной частью учебного процесса.
Онлайн-обучение должно включать не только контент, но и полноценную коммуникацию с преподавателями, администрацией и другими студентами.
Очная вечерняя магистратура автора оказалась крайне негостеприимной: холодный и пустой кампус, закрытые сервисы, отсутствие возможности получить материалы пропущенной лекции и практически полное отсутствие социальной интеграции. В итоге он бросил программу.
Напротив, опыт обучения онлайн в канадском университете оказался гораздо более человечным: асинхронное обучение, удобная организация синхронных мероприятий с учетом часовых поясов, доступность преподавателей и администрации и даже специальные социальные мероприятия для знакомства студентов. Парадоксальным образом, будучи физически находясь за 13 000 км от университета, автор чувствовал себя более включенным в университетскую жизнь, чем в вечерней очной программе.
Вывод: нужно перестроить университет так, чтобы гибкое обучение стало его нормой.
Это важный сдвиг от «поддержки отдельных категорий студентов» к redesign образовательной системы.
«Очное обучение по умолчанию + специальные меры для заочников»
→ «Гибридное/онлайн-обучение по умолчанию + очный кампус как дополнительный сервис».
Это меняет саму логику проектирования курса. Например, лекция должна не просто транслироваться онлайн для тех, кто не смог прийти, а изначально создаваться как асинхронный образовательный объект. Очная встреча при этом может использоваться для практики, дискуссии, лабораторной работы, консультаций и социализации.
При таком подходе исчезает и само понятие «неудобного студента»: студент, который работает, живет в другом городе, воспитывает детей или периодически не может присутствовать на кампусе, становится не исключением, а типичным пользователем университета.
Публикация - аргумент в пользу проектирования университета вокруг реального образа жизни современного студента.
[Читать 2мин](https://dzen.ru/a/anbQ6AsJ23QpVGLb) | 132 |
| 19 | Критические взгляды на ИИ, цифровизацию и человекоцентрированное обучение
Редакторы: Дэвид К. Л. Лим, Мохд Таджудин Мд Нинггал, Springer
Авторы предлагает альтернативный взгляд на цифровую трансформацию образования. Ключевая идея заключается в том, что цифровизация и искусственный интеллект сами по себе не являются ни нейтральными, ни неизбежными процессами. Направление развития образования определяется политическими, экономическими и институциональными интересами, поэтому важно обсуждать не только возможности технологий, но и то, какое будущее образования они формируют и в чьих интересах.
Авторы критикуют доминирующий технооптимистический дискурс, согласно которому цифровые платформы автоматически расширяют доступ к образованию, ИИ обеспечивает персонализацию, а образовательная аналитика неизбежно повышает качество обучения. По их мнению, подобные утверждения нередко игнорируют реальные ограничения, усиливают существующее неравенство и подменяют обсуждение целей образования обсуждением эффективности технологий.
Особое внимание уделяется риску того, что образование начинает перестраиваться по логике цифровых систем: приоритет получают измеримые показатели, алгоритмы и управленческая эффективность, тогда как гуманистические задачи — развитие личности, критического мышления, ответственности и социальной справедливости — отходят на второй план. Авторы предлагают вернуть в центр обсуждения вопросы образовательной миссии, лидерства, ответственности и общественной ценности университетов.
Отдельная глава посвящена университету будущего. Он рассматривается не как новая технологическая модель, а как модель ответственного лидерства в условиях высокой неопределенности. Для открытых университетов цифровизация лишает традиционную миссию расширения доступа прежней уникальности, поэтому их конкурентное преимущество должно строиться не на технологиях, а на этических принципах, качестве поддержки обучающихся и способности принимать сложные моральные решения.
Устойчивость образовательных организаций означает не постоянное ускорение внедрения инноваций, а способность осознанно выбирать темп изменений, иногда отказываться от технически возможных, но педагогически или этически сомнительных решений и сохранять ответственность перед обществом.
Ориентиры для образовательной политики и практики из сборника:
- оценивать цифровые технологии и ИИ не только по эффективности, но и по их влиянию на справедливость, доступность и образовательные ценности;
- рассматривать ИИ как инструмент поддержки педагогических целей, а не как фактор, определяющий сами цели образования;
- смещать акцент с технологических инноваций на качество лидерства, институциональную ответственность и долгосрочные общественные последствия цифровизации;
- развивать человекоцентричные модели цифрового образования, где технологии усиливают роль преподавателя и обучающегося, а не подменяют их взаимодействие.
К сожалению сборник меньше внимания уделяет практическим моделям того, как сочетать преимущества современных ИИ-технологий с сохранением человекоцентричности. Поэтому наиболее продуктивным представляется не противопоставление технологий и гуманистических ценностей, а поиск механизмов их осознанного и ответственного сочетания.
[Читать 4мин](https://dzen.ru/a/anQx9MdIc06yNBVG) | 128 |
| 20 | Экономика возможностей
Автор Джон Моравек
«Экономика возможностей» — система, в которой ценность создается не столько за счет автоматизации существующих процессов, сколько благодаря расширению возможностей людей формулировать новые идеи, ставить собственные цели, разрабатывать решения и воплощать их в жизнь. В такой экономике ценность могут создавать не только коммерческие продукты, но и образовательные практики, научные гипотезы, государственные сервисы, общественные инициативы и новые формы сотрудничества.
Автор противопоставляет экономику возможностей привычному пониманию инноваций, которое часто сводится к внедрению новых технологий или автоматизации процессов. Настоящая ценность, по его мнению, возникает значительно раньше — в момент, когда человек способен увидеть новую возможность, объединить знания, оценить риски, организовать ресурсы и реализовать собственный замысел.
Исследования показывают, что ИИ действительно способен значительно повышать производительность при выполнении подходящих интеллектуальных задач, однако его эффективность ограничена. При решении задач, выходящих за пределы возможностей модели, пользователи могут чаще ошибаться и преждевременно доверять ответам ИИ. Поэтому искусственный интеллект следует рассматривать не как замену человеческого мышления, а как инструмент, эффективность которого зависит от качества постановки задачи и критического мышления пользователя.
В этом смысле
Учебные задания должны оценивать не только конечный ответ - свои заданные результаты, но и выбор проблемы, процесс исследования, качество аргументации, способность проверять идеи и учитывать последствия своих решений.
ИИ следует использовать как интеллектуального помощника для анализа информации, генерации вариантов и ускорения рутинной работы, сохраняя за обучающимся ответственность за цели, критическую оценку и окончательные решения.
Одной из ключевых компетенций становится способность видеть и создавать новые возможности — соединять знания из разных областей, выявлять нерешенные проблемы и превращать идеи в реальные проекты.
В эпоху широкого распространения ИИ конкурентным преимуществом выпускников становится не скорость получения ответа, а умение формулировать значимые вопросы, проявлять инициативу, брать ответственность и создавать новую ценность для общества.
[Читать 2мин](https://dzen.ru/a/anLdoqUsRDiqhFra) | 112 |
