Цифровое образование

​​Прежде всего, займитесь решением проблемы мошенничества с использованием ИИ Автор: Дэвид Уайли Проблему мошенничества с использованием ИИ следует решать не столько переделкой оценочных заданий, сколько пересмотром самих результатов обучения. - Результат обучения должен задавать три вещи: что студент делает, в каких условиях и с каким уровнем качества. Появление генеративного ИИ изменило именно условия выполнения многих интеллектуальных задач. - Поэтому простое добавление условия «без использования ИИ» к старым заданиям — часто попытка сохранить устаревшую образовательную модель. - Автор проводит аналогию с прежними технологическими изменениями: интернет заменил карточные каталоги, электронные таблицы — ручные бухгалтерские расчёты, CAD — традиционное черчение. Образование постепенно меняло способ выполнения работы, а не запрещало новую технологию. - Аналогично, если в профессиональной деятельности специалисты используют GenAI, то результат обучения должен учитывать работу человека вместе с ИИ, а не требовать искусственного выполнения задачи «как до появления ИИ». - При этом некоторые результаты обучения действительно требуют самостоятельного выполнения без ИИ — например, исполнение музыкального произведения перед жюри. Здесь условие «без ИИ» является содержательно оправданным. - Следовательно, AI-proof assessment — не главная цель. Нужно сначала определить, что именно мы хотим, чтобы студент умел делать в мире, где ИИ уже является рабочим инструментом, и только затем проектировать оценивание. Не пытайтесь сделать старые задания неуязвимыми для ИИ — сначала спросите, нужны ли вообще эти старые задания и соответствуют ли их результаты обучения реальной практике. Предлагается переход от логики «как запретить ИИ при выполнении задания?» к логике «какие человеческие компетенции мы должны проверять в условиях доступности ИИ?». Это фактически переводит проблему AI cheating из области контроля и детектирования в область педагогического дизайна и перепроектирования результатов обучения. Читать 4мин https://dzen.ru/a/aquKbGJSZDo2dc7m

​​Искусственный интеллект как «нечеткое устранение посредников»: некоторые закономерности и риски Автор: Майк Колфилд Майк Колфилд предлагает рассматривать влияние ИИ не просто как новое посредничество, а как «нечеткую дезинтермедиацию» — резкое сокращение дистанции между человеком и информационными источниками - Интернет уже устранил часть посредников: человек получил возможность самостоятельно обращаться к первоисточникам, но на практике большинство пользователей редко проделывает весь путь до них из-за сложности и затрат усилий. - LLM меняют ситуацию радикальнее: они не столько заменяют Google-поиск, сколько превращают в поиск множество запросов, которые человек раньше вообще не стал бы искать. Поэтому ИИ резко расширяет сферу обращения человека к внешней информации. - При этом ИИ действительно «нечеткий»: он обобщает и иногда искажает информацию, скрывая конкретные источники. Но по сравнению с прежней ситуацией информация может оказаться значительно ближе к пользователю. - Главный риск — не только ошибки самой LLM, но и возможность манипулировать первоисточниками. Если изменение авторитетного источника автоматически и быстро распространяется через ИИ, то покупка или компрометация одного источника потенциально получает гораздо больший эффект. - Поэтому возникает новый баланс: как совместить почти мгновенный доступ к обобщённому первичному знанию с защитой от чрезмерной централизации и манипуляции информацией? При этом прежняя медленность распространения информации иногда сама выполняла роль защитного буфера. Автор утверждает, что главный эффект ИИ может состоять не в том, что он становится ещё одним посредником между человеком и знанием, а в том, что он делает доступ к информации настолько дешёвым, что люди начинают обращаться к ней в ситуациях, где раньше вообще не стали бы искать — и именно это создаёт новый, пока недооценённый системный риск. Если эта логика верна, LLM постепенно становятся не просто «поисковиками нового поколения», а инфраструктурой повседневного доступа человека к знанию. Тогда вопрос качества ИИ смещается от «правильно ли он отвечает?» к более широкому: «какие источники через него получают влияние на мышление миллионов людей?» Читать 8мин https://dzen.ru/a/aqmaC2JSZDo2gzx-

​​GESA EuroAsia жартылай финалы GESA марапаттарының бөлігі болып табылады. Бұл әлі құрған стартаптар саны бойынша ең үлкен ұйым емес. Дегенмен, ол ұсынатын елдер тұрғысынан бұл өте перспективалы аймақ (Солтүстік Азия, Орталық Азия, Кавказ және Шығыс Еуропаның кейбір бөліктері). Егер сіз осы аймаққа қатысатын білім беру технологиялық компаниясы болсаңыз, халықаралық мойындауға ие болу үшін байқауға өтінім беріңіз! GESA EuroAsia yarim finali GESA mukofotlarining bir qismidir. U hali yaratgan startaplar soni bo'yicha eng yirik tashkilot emas. Biroq, u vakillik qiladigan mamlakatlar nuqtai nazaridan, bu juda istiqbolli mintaqa (Shimoliy Osiyo, Markaziy Osiyo, Kavkaz va Sharqiy Yevropaning ayrim qismlari). Agar siz ushbu mintaqada faoliyat yuritadigan ta'lim texnologiyalari kompaniyasi bo'lsangiz, xalqaro miqyosda tan olinish uchun tanlovga ariza bering! Нимфинали GESA EuroAsia қисми GESAwards мебошад. Он ҳанӯз аз ҷиҳати шумораи стартапҳое, ки эҷод мекунад, бузургтарин созмон нест. Аммо, аз нигоҳи кишварҳое, ки намояндагӣ мекунад, он як минтақаи хеле умедбахш аст (Осиёи Шимолӣ, Осиёи Марказӣ, Қафқоз ва қисматҳои Аврупои Шарқӣ). Агар шумо як ширкати таълимии ин минтақа бошед, барои ба даст овардани эътирофи байналмилалӣ барои озмун муроҷиат кунед! Варақаи дархост дар ин ҷост: GESA EuroAsia полуфинал - составная часть GESAwards.  По количеству создаваемых стартапов пока не самая крупная организация. Хотя по представляемым странам супер перспективная территория (Северная Азия, Центральная Азия, Кавказ, часть Восточной Европы) Если вы edtech имеющий отношение к этому региону, то подавайте заявку на конкурс чтобы получить международное признание! Ссылка на форму подачи заявки в комменте: https://airtable.com/appEAyMD4UhcamkNW/shrfEPmUEerujTDnf 

🦄Обзор технологических стартапов в образовании от 13.09.2026 Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю ZeroRisk привлекла 10 миллионов долларов для масштабирования своей платформы кибербезопасности для продавцов [Читать 3мин](https://vk.ru/wall-87570467_6322) Французская компания Ed.ai, предоставляющая ИИ-помощника для оценивания и коррекции работы учителей, привлекла 5 миллионов евро на посевном этапе для масштабирования за рубежом [Читать 1мин](https://vk.ru/wall-87570467_6316) Кувейтский EdTech-стартап Dawraty привлек 2 млн долларов США для масштабирования медицинского образования [Читать 3мин](https://vk.ru/wall-87570467_6312) Компания Active Learning Sciences, разрабатывающая платформы обучения на основе искусственного интеллекта и программы разработки учебных планов, основанные на науке об обучении, привлекла 1,5 млн долларов США [Читать 1мин](https://vk.ru/wall-87570467_6314) Сервис образовательного сопровождения UNEXT привлек $130 000 [Читать 1мин](https://vk.ru/wall-87570467_6324) Первый раунд финансирования VLM Academy, обеспечивающий круглосуточную поддержку учителей для учащихся K-12, успешно завершен [Читать 1мин](https://vk.ru/wall-87570467_6326) Предпосевной раунд - Allorca, платформы для обучения финансам и инвестициям на основе ИИ с уроками, симулированными портфелями и обратной связью для начинающих инвесторов [Читать 1мин](https://vk.ru/wall-87570467_6320) Предпосевной раунд финансирования Intuitivo, цифровой платформы для оценивания, призванной повысить производительность учителей и улучшить опыт учащихся [Читать 1мин](https://vk.ru/wall-87570467_6318)

​​Что вы на самом деле покупаете, когда приобретаете детектор ИИ Автор: Ань Май При покупке AI-детектора образовательная организация фактически покупает не столько «детектор ИИ», сколько систему выявления подозрительных работ — вместе с риском ошибочных обвинений. Здесь важна не только общая точность детектора, но и то, на ком именно он ошибается. Исследование  (Liang et al., Patterns, 2023)  показало резкое ухудшение результатов на текстах студентов, для которых английский не является родным языком: ложноположительные срабатывания достигали в среднем 61,3%, тогда как на текстах американских школьников детекторы работали почти идеально. Простое изменение словарного уровня текста резко меняло результат при неизменном авторстве. Это означает, что детектор может фактически принимать особенности языка и стиля письма за признаки машинной генерации. Однако, существуют и противоположные исследования с очень низким уровнем ложных срабатываний. Поэтому вопрос должен звучать не «точен ли детектор?», а: На каком корпусе, при каком пороге и для какой категории учащихся измерена его точность? Особенно важен масштаб ошибки: даже 1% ложных срабатываний при десятках тысяч студенческих работ означает сотни ошибочно подозреваемых студентов. Статья критикует подход, при котором университет покупает детектор, но не покупает одновременно процедуру апелляции и расследования. Детектор, по мнению автора, должен быть лишь сигналом для дополнительной проверки, а не доказательством нарушения. Перед покупкой нужно проверить три вещи: 1. Каков уровень ложноположительных результатов и на каком корпусе он рассчитан? 2. Сколько ошибочных срабатываний получится в масштабах именно вашего университета и сможет ли система апелляций их обработать? 3. Можно ли доказать нарушение без самого показания детектора? Предлагается перестать рассматривать AI-detector как инструмент, который «определяет, писал ли студент с помощью ИИ», и рассматривать его как вероятностный индикатор, который запускает человеческую проверку и несет вполне конкретный риск дискриминационных ошибок. Читать 4мин)

​​Перформативный театр: почему аналитика обучения терпит неудачу на практике Автор Колин Бир Learning Analytics часто не работает в университетах не из-за плохих технологий, а из-за неправильной логики их внедрения. Есть два подхода: 1. «Установил и забыл» 2. «Внедрение как исследование» Второй подход принципиально необходим для аналитики обучения, потому что аналитическая система не является нейтральным программным инструментом. Она содержит определённые представления о том, что такое обучение, что считать успехом, кого считать «рисковым» студентом и какие данные считать значимыми. Термин «Аудитируемый театр» потому что университету важно продемонстрировать, что система внедрена; преподаватели ею пользуются; все показатели зелёные; риски автоматически выявляются; KPI выполнены. Но это может создавать иллюзию успеха, не имеющую отношения к реальному улучшению обучения. «Внизу» преподаватели начинают формально выполнять требования системы, но фактически перестают ей доверять. То есть возникает парадокс: чем успешнее система выглядит с административной точки зрения, тем менее полезной она может быть для реальной педагогической работы. Если система считает, например, что: «студент имеет высокий риск отчисления, потому что он редко входит в LMS», она уже содержит определённую теорию того, как выглядит нормальное обучение. Но преподаватель может знать не введенные данные о студенте. Поэтому алгоритм без постоянной проверки его предпосылок может не просто ошибаться — он может навязывать университету определённое понимание образования. Колин Бир предлагает три шага: 1. Считать обходные пути и недовольство преподавателей данными для диагностики, а не сопротивлением цифровизации. 2. Соединить разработчиков, data scientists и преподавателей. 3. Оценивать не факт внедрения, а способность системы учиться и изменяться. То есть вопрос не в том: «Внедрили ли мы Learning Analytics?» а в том: «Что мы узнали благодаря ней и что изменили в следующей итерации?» Также для AI в образовании: AI/аналитическая система должна рассматриваться не как готовый источник решений, а как участник экспериментального контура «данные → гипотеза → действие → наблюдение → рефлексия → изменение системы». Это очень близко к идее перехода от простого AI-инструмента к Human–AI Learning System. Читать 3мин)

​​Рамки применения ИИ в подготовке педагогов Автор: Программный консультативный комитет AACTE по инновациям и технологиям Фреймворк AACTE задаёт человекоцентричную модель интеграции ИИ в подготовку педагогов. Его главная идея: ИИ должен усиливать профессиональные возможности учителя, но не заменять его педагогическое и этическое суждение. Фреймворк построен вокруг 4 принципов и 12 направлений: 1. Этические и политические ограничения - право преподавателей и студентов отказаться от ИИ; - обязательная AI-грамотность, включающая понимание ограничений, предвзятости, приватности и авторского права; - обеспечение равного доступа к ИИ и доступности инструментов для людей с ограниченными возможностями. 2. Клиническая практика и внедрение - будущие учителя должны различать традиционный/аналитический ИИ, адаптивные системы, генеративный и агентный ИИ; - AI-компетенции должны формироваться не разовыми курсами, а через непрерывное профессиональное развитие; - результаты ИИ необходимо проверять человеком, а решения с высокой ответственностью нельзя полностью передавать алгоритмам. 3. Когнитивная архитектура и защита интересов - образовательный ИИ следует совместно проектировать с педагогами; - требовать доказательств его безопасности и образовательной эффективности; - учить будущих педагогов распознавать автоматизационную и алгоритмическую предвзятость; - использовать ИИ для снижения рутинной когнитивной нагрузки, освобождая время для сложного педагогического мышления. 4. Профессиональный опыт и человеческое суждение - окончательное профессиональное решение остаётся за педагогом; - ИИ не отменяет необходимости глубоких предметных знаний и педагогической экспертизы; - отношения «учитель–ученик», доверие, чувство принадлежности и культурная восприимчивость рассматриваются как принципиально человеческая часть образования. Формула: AI literacy + этические ограничения + human oversight + профессиональная экспертиза + человеческие отношения. Чем мощнее становится ИИ, тем выше, а не ниже, требования к квалификации педагога. ИИ должен брать на себя рутинные и вспомогательные операции, тогда как ответственность за значимые образовательные решения, интерпретацию контекста и отношения с учащимися остаётся у человека. Фреймворк рассматривает AI-грамотность не как умение «правильно пользоваться ChatGPT», а как сочетание технического понимания ИИ, критического мышления, этики, педагогического суждения и метакогниции. Это рамка профессиональной трансформации учителя, чем просто рекомендациями по цифровым инструментам. Читать 14мин)

​​Обзор мирового рынка обучения и образования за 2 квартал 2026 года Автор: Oppenheimer & Co. Inc. Саммари обзора 1. Венчурные инвестиции остаются стабильными, хотя и с некоторыми крупными сделками, несмотря на сохраняющуюся осторожность инвесторов. 2. Обучение персонала, ориентированное на востребованные и устойчивые навыки, остается явным центром энтузиазма инвесторов. 3. Капитал по-прежнему сконцентрирован в Северной Америке и Европе, в то время как Китай вновь становится рынком в краткосрочной перспективе; западные рынки продолжают доминировать в сфере финансирования, но ослабление опасений по поводу регулирования и возобновление внимания к масштабам Китая улучшают ожидания инвесторов в отношении региона. 4. Активность в сфере слияний и поглощений остается низкой, поскольку покупатели отдают приоритет стратегическому соответствию, а не масштабу; однако круг покупателей также расширяется, поскольку некоммерческие организации становятся более активными. 5. Показатели публичных рынков остаются сильно разрозненными, поскольку некоторые операторы выиграли от улучшения настроений инвесторов и роста цен на акции, в то время как операторы высшего образования оказались под давлением на фоне ограничений кредитования, вызванных государственной политикой. Читать 4мин)

​​Конечно заголовок статьи “Are teenagers growing dimmer?” (Не глупеют ли подростки) нельзя воспринимать буквально. PISA не измеряет «интеллект подростков». Она измеряет определённые образовательные компетенции — математику, чтение и science literacy. Поэтому из результатов нельзя сделать вывод: «У нового поколения падает IQ». Правильнее: Молодые люди в ряде развитых стран стали хуже выполнять определённые задачи, требующие математического, читательского и прикладного рассуждения. И это уже действительно серьёзная проблема. Стоит отметить и другие мнения, например Андреаса Шлейхера— одного из создателей PISA — в отдельной публикации в The Economist в тот же день (Economist описывает его материал как комментарий основателя PISA) Andreas Schleicher: «Stop turning schoolchildren into crash-test dummies» (Прекратите превращать школьников в манекены для краш-тестов.) Он предупреждает, что школьников нельзя превращать в «краш-тестовых манекенов» для образовательных экспериментов. Это критика бессистемной цифровизации: Проблема может быть не в том, что дети «стали хуже», а в том, что образовательные системы слишком часто экспериментируют, не понимая, что именно работает. С другой стороны как определить “что работает” без проведения экспериментов (в том числе массовых)? В тот же день Economist опубликовал отдельный материал: “Does AI stop children from learning? New data show the peril and promise of the technology” (Препятствует ли искусственный интеллект обучению детей? Новые данные показывают опасность и перспективы этой технологии.) То есть редакция фактически рассматривает три связанные проблемы: падение результатов → технологизация образования → AI. Economist правильно отделяет долгосрочный тренд от пандемийного шока. Если бы результаты просто упали в 2020–2022 годах, COVID был бы очевидным объяснением. Но тренд начался раньше и продолжается после пандемии. А вот причинная часть значительно менее определённа. Возможные факторы образуют целый «букет»: COVID, пропуски школы, ухудшение дисциплины, снижение времени на обучение, смартфоны и социальные сети, изменение поведения подростков, неудачная цифровизация, изменение педагогики, возможное снижение требований, ИИ как новый способ обходить когнитивную работу. И пока мы не знаем, какой из этих факторов является главным. Из статьи следует вывод, несколько отличный от её заголовка. Проблема современного образования, возможно, не в недостатке технологий, а в недостатке доказательности при их внедрении. Мы фактически провели огромный глобальный эксперимент: Сначала компьютеры →затем интернет →затем LMS →затем смартфоны →затем 1:1 devices →затем EdTech платформы →теперь разные модели ИИ. При этом образовательные результаты во многих развитых странах не растут, а падают. Это заставляет перейти от вопроса: «Какую новую технологию мы можем дать школе?» к гораздо более жёсткому: «Какую когнитивную работу эта технология заставляет ученика делать — а какую позволяет ему не делать?»

​​«Предсказатель следующего токена» — это неправильная ментальная модель для LLM Автор Гаррин Макголдрик Вопрос, чему современная LLM фактически обучается после предварительного обучения. - Pretraining: модель учится повышать вероятность токена, который действительно следовал за предыдущими токенами в корпусе. Это действительно next-token prediction. - RLVR: модель генерирует различные варианты решения, получает за них вознаграждение и повышает вероятность тех последовательностей, которые привели к хорошему результату. Здесь уже нет «правильного следующего токена» — есть цель, которую нужно оптимизировать. - RLHF: модель дополнительно обучается вести себя как полезный ассистент, а не просто воспроизводить статистические закономерности обучающих данных. Аналогия автора — шахматы. Можно обучить систему предсказывать ход, который обычно сделал бы гроссмейстер, а можно обучить её выбирать ход, который максимизирует вероятность победы. Внешне обе системы делают одно и то же — выбирают следующий ход, — но внутренне оптимизируют разные цели. Отсюда главный тезис: «next-token prediction» описывает форму работы LLM, но не обязательно её функциональную сущность после постобучения. Если воспринимать LLM только как «предсказатель следующего слова», легко прийти к выводу: LLM = статистическая имитация существующих знаний. А если учитывать RL, reasoning и exploration, появляется другая модель: LLM = обучаемая система, которая может не только воспроизводить паттерны, но и искать решения в пространстве возможных последовательностей, если существует критерий качества. Возникает очень интересный переход и для педагогики: передать модели правильный ответ → научить модель находить правильный ответ → научить модель оптимизировать образовательный результат. Последний шаг потенциально ведёт уже к AI-агентам и Human–AI Learning Systems, а не просто к использованию чат-ботов в обучении. Читать 3мин)

​​Искусственный интеллект для академических библиотек: модели ИИ с открытым исходным кодом для локального и частного использования Автор: Кари Д. Уивер Рассматриваются локальные ИИ-модели с открытыми весами как перспективную альтернативу коммерческим сервисам для академических библиотек. Главная проблема коммерческих моделей вроде ChatGPT, Claude и Gemini — зависимость от внешних облачных платформ, стоимость, вопросы конфиденциальности и контроля над пользовательскими данными. Локальный запуск позволяет библиотекам лучше соответствовать профессиональным принципам конфиденциальности, интеллектуальной свободы и равного доступа к информации. Среди них два инструмента для локального запуска моделей: LM Studio — удобный графический инструмент для библиотекарей и других пользователей без технических навыков; особенно подходит для экспериментов, обучения и пилотных проектов. Ollama — более гибкое решение для технических команд и институционального развертывания, позволяющее создавать частные ИИ-сервисы и подключать их к библиотечным системам. В качестве перспективных моделей рассматриваются Ministral-3 14B, Qwen3 14B и Olmo-3. Они могут использоваться для поиска информации, анализа документов, автоматического создания метаданных, каталогизации, перевода и поддержки исследовательской работы. При этом выбор модели должен учитывать доступное компьютерное оборудование, поскольку локальные модели требуют значительных ресурсов. Академическим библиотекам необязательно полагаться исключительно на коммерческие ИИ-платформы. Развитие открытых весов и локального запуска делает возможным создание более приватной, контролируемой и соответствующей библиотечным ценностям ИИ-инфраструктуры, причем уже без обязательной потребности в специализированных серверах. Это движение от модели «библиотека пользуется чужим ИИ-сервисом» к модели «библиотека сама контролирует свой ИИ». Для университетов это особенно важно в работе с научными текстами, персональными данными, закрытыми коллекциями и интеллектуальной собственностью. Читать 9мин)

​​Статистика использования ИИ в образовании 2026: университеты не могут выявить мошенников, использующих ИИ, и преподаватели выгорают Автор Винси Коул Использование технологий стало массовым гораздо быстрее, чем образовательная система успела адаптироваться к ним. - ИИ уже стал нормой: его используют около 86% студентов в мире и 60% американских учителей; в Великобритании — до 94% учащихся. ChatGPT остается главным инструментом. - Инфраструктура и правила отстают: лишь около 26% образовательных организаций имеют официальную политику по ИИ, а рекомендации получают только 18% преподавателей. - ИИ-детекторы не решают проблему академической честности: они выявляют лишь около 40% AI-generated контента. Поэтому десятки университетов отказались от таких инструментов. - ИИ одновременно помогает и создает нагрузку: регулярное использование ИИ учителями позволяет экономить около 5,9 часа в неделю, но более половины школьных учителей сообщают о выгорании. - Главный риск — не замена преподавателя, а системный разрыв: технологии внедряются снизу — студентами и отдельными преподавателями, тогда как правила, обучение персонала и институциональные механизмы контроля не успевают за этим процессом. - Возникают и более глубокие вопросы: как ИИ влияет на грамотность, самостоятельность студентов, исследовательские навыки и начальные профессии в образовании. Главный вопрос — как перестроить оценивание, академическую честность, подготовку преподавателей и образовательную политику под реальность, в которой ИИ стал повседневным инструментом обучения. Читать 3мин)

​​🦄Обзор технологических стартапов в образовании от 6.09.2026 Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю Компания Enhance привлекает 18,2 млн долларов для расширения своей платформы персональных тренировок в США Читать 3мин) Стартап Visko, занимающийся исследованиями в области ИИ, завершил предпосевный раунд финансирования на 10 миллионов долларов и запустил Orbis, свою первую «живую модель», которую транслирует в реальном времени. Читать 3мин) Египетская образовательная технологическая школа 3C Coding School, специализирующаяся на обучении молодежи технологиям,привлекла 3 млн долларов для расширения в Саудовскую Аравию Читать 2мин)  Ваш персональный ИИ-репетитор YoLearn.ai привлекает посевное финансирование Читать 1мин) Платформа для обучения, пакистанский образовательный стартап Edversity получил стратегические инвестиции от Rapidev на LEAP 2026 Читать 2мин) Компания Creedom привлекла 4,1 крор рупий (434 тыс. долларов США) для своего ИИ-тренера по развитию контента Читать 1мин) Тренажерный зал, но для вашей социальной жизни, под руководством пингвина Quippy примет участие в предстоящей группе F26 акселератора Y Combinator Читать 1мин)  Duolingo для изучения чего угодно, Wondering присоединился к Y Combinator Читать 1мин) Проект AMAN, который наполняет ваши камеры интеллектуальными средствами защиты, получил 200 тысяч долларов Читать 1мин) Финтех-единорог Airwallex предоставил 10 стартапам, разрабатывающим решения на основе ИИ, по 100 000 долларов США каждому в виде безвозмездного капитала в рамках своей первой программы Latitude 37, среди которых Polarbear AI, который создает школы, ориентированные на ИИ, для поколения бета. Читать 2мин)  Plus Eight Accelerator расширяет стартовый пул до 1 миллиона австралийских долларов для второй фазы, среди которых Semester Student Planner, который делает успехи учащихся повседневной привычкой с помощью индивидуальных планировщиков, которые не позволят вашим ученикам бросить учебу Читать 2мин) StepWave получает 40 000 швейцарских франков (50 000 долларов США) от Venture Kick для развития тренировок мозга и тела для профилактики деменции Читать 2мин) Легенда индийского крикета М.С. Дхони инвестирует в SPEAKX, онлайн-платформу, которая использует ИИ, чтобы помочь учащимся практиковать английский язык в ситуациях, актуальных для их повседневной жизни Читать 1мин)

​​Согласие и формирование предпочтений Автор Ричард Петтигрю На первый взгляд, если человек добровольно соглашается отдать вещь или подвергнуться рискованной операции, этого должно быть достаточно. Но автор показывает, что согласие может быть морально проблематичным, если сами предпочтения человека сформировались под воздействием несправедливого социального давления. При этом Петтигрю проводит важное различие между механизмами формирования таких предпочтений. Если человек вырабатывает их как способ избежать наказания или из-за искусственно ограниченной информационной среды, его согласие может быть неполностью эффективным. Но если давление лишь приводит человека к длительному контакту с объектом, благодаря которому он самостоятельно переосмысливает его ценность, согласие может оставаться полноценным. Пример — человек, который под давлением общества становится родителем, а затем благодаря непосредственному опыту действительно начинает ценить родительство. Главная идея статьи: важно не только какие предпочтения сформировались у человека и были ли они подвержены внешнему влиянию, но и каким именно способом они сформировались и сколько пространства для самостоятельной воли этот процесс оставлял. Именно механизм формирования предпочтений определяет, насколько последующее согласие можно считать действительно свободным. Читать 7мин

​​Семь тезисов против разнообразия точек зрения Автор: Лиза Сираганян Автор выступает против идеи «разнообразия точек зрения» (viewpoint diversity) как принципа организации современного университета. Она считает, что под привлекательными лозунгами интеллектуального плюрализма всё чаще скрывается политический проект, направленный прежде всего на увеличение числа консервативных голосов в американской академии. Статья возникла на фоне требований администрации Трампа к Гарварду обеспечить «разнообразие точек зрения». Главный аргумент автора: университет должен стремиться не к максимальному количеству мнений, а к истине и качеству знания. Если определённая теория убедительно опровергнута, нет необходимости искусственно сохранять её в учебном процессе только ради «разнообразия». В качестве примера приводится история моделей структуры ДНК: после убедительного подтверждения двойной спирали альтернативные модели перестали быть равноправными научными позициями. Автор формулирует семь возражений: Разнообразие точек зрения может противоречить поиску истины. Не все мнения имеют одинаковую познавательную ценность. Оно имеет лишь инструментальную ценность. Разные взгляды полезны, если помогают приблизиться к истине, но не являются самоцелью. Концепция политически избирательна. На практике под «разнообразием» часто понимается прежде всего увеличение числа консервативных голосов, а не представительство всех возможных идеологий. Она может подрывать дисциплинарные стандарты. Университетские дисциплины вправе отвергать идеи, которые не соответствуют накопленным профессиональным знаниям. Концепция внутренне непоследовательна. Нельзя одновременно утверждать, что все точки зрения должны быть представлены, и устанавливать критерии, по которым одни из них считаются желательными, а другие — нет. «Разнообразие» уже используется как инструмент политического давления на университеты. Автор приводит примеры США и Венгрии, где под его прикрытием вводились механизмы контроля над преподавателями и академическими учреждениями. Риторика разнообразия используется недобросовестно. По мнению автора, некоторые консервативные активисты заимствуют язык DEI («diversity, equity, inclusion»), одновременно выступая против самого DEI. Автор не защищает интеллектуальную монокультуру и не утверждает, что университетам не нужны дискуссии. Напротив, она признаёт опасность группового мышления и самоцензуры. Но, по её мнению, правильный ответ на эти проблемы — не система идеологических квот, а сохранение академической свободы, профессиональных стандартов и открытой конкуренции аргументов. По сути, статья проводит важное различие: университет должен быть разнообразным в своих вопросах и способах поиска истины, но не обязан быть разнообразным в количестве ошибочных ответов. Спорная идея статьи: интеллектуальный плюрализм полезен как метод поиска истины, но становится проблемой, когда превращается в самостоятельную институциональную ценность. Читать 14мин

​​Кто несёт ответственность, когда ИИ помогает писать научные работы? Автор Роберт Браун Проблема гораздо шире, чем просто решение, можно ли считать ИИ соавтором: речь идёт о том, кто получает научное признание и кто несёт ответственность за результат. ИИ нельзя рассматривать как обычного участника исследовательской команды. Человек способен объяснить свой вклад, реагировать на критику и нести ответственность за ошибки, тогда как GenAI не способен отвечать за созданный им текст, анализ или идеи. При этом использование ИИ включает множество различных операций — поиск и синтез литературы, генерацию идей, написание и редактирование текста, классификацию и проверку информации. Существующая система авторства плохо отражает это новое распределение труда. В существующей иерархической экономики научного авторства часть работы получает статус авторского вклада, часть превращается в «помощь» и упоминается в благодарностях, а часть вообще становится невидимой. Появление ИИ заставляет спросить: если синтез литературы с помощью ИИ может считаться существенным интеллектуальным вкладом, то почему аналогичная работа, выполненная младшим исследователем, не должна давать ему авторство? Роберт Браун предлагает развивать существующую таксономию CRediT, которая распределяет вклад исследователей по конкретным ролям, создав её расширение — CRediT-AI. В такой системе не ИИ становится автором, а фиксируется способ, которым ИИ участвовал в работе человека. Например: концептуализация — ИИ помогал генерировать идеи; методология — помогал структурировать исследование; анализ — помогал синтезировать материалы; написание — помогал создавать и реструктурировать текст; редактирование — помогал сокращать и улучшать текст. При этом за каждой ролью сохраняется человек, а отдельно указывается характер использования ИИ. Ключевым элементом становится обязательное заявление о проверке и подотчётности: авторы должны указывать, кто проверял результаты, полученные с помощью ИИ — например, корректность ссылок, литературы или программного кода. Браун фактически предлагает перейти от вопроса «является ли ИИ автором?» к вопросу «как именно ИИ участвовал в создании научного результата и кто отвечает за этот вклад?». При этом автор видит в GenAI не только угрозу. ИИ выявляет слабые места самой традиционной системы научного авторства — невидимый труд студентов, ассистентов, рецензентов, технических специалистов и даже людей, которые обеспечивают работу ИИ-систем через разметку данных, оценку моделей и инженерную инфраструктуру. Прозрачность использования ИИ не следует рассматривать как проблему, которую необходимо скрывать. Напротив, она может стать поводом пересмотреть саму систему научного авторства, заслуг и ответственности. CRediT-AI не является окончательным решением, но может стать практическим механизмом, связывающим использование ИИ с человеческой ответственностью. Читать 7мин

​​🦄Обзор технологических стартапов в образовании от 30.08.2026 Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю Компания Liner ИИ-агентов и инструменты, поддерживающие поиск, исследования, написание текстов и анализ информации, привлекла 36,1 млн долларов в рамках раунда финансирования серии C, поскольку платформа ИИ достигла 14 миллионов пользователей и базы данных в 500 миллионов записей. Читать 4мин) Поставщик платформы для духовного оздоровления и веры, компания InstaAstro привлекла 12 миллионов долларов США в рамках раунда финансирования серии А, возглавляемого Singularity AMC и Artha Venture Fund. Читать 1мин) Компания BOOKR (анимированные истории, которые делают изучение английского языка персонализированным, и панель управления для учителей с использованием ИИ, которая упрощает преподавание) привлекла 6,1 млн евро в рамках раунда финансирования серии А Читать 3мин) Utsav (бронирование пуджи, консультации пуджари, электронный прасад, освященный прасад и персонализированные ритуалы) привлекла 36 крор рупий (3,774 млн долларов США) в рамках раунда финансирования серии А, возглавляемого Atomic Capital Читать 1мин) Paloma помогает округам, участвующим в программе Title I, и организациям, управляющим школами, ускорить обучение, раскрывая нереализованный педагогический потенциал семей, и привлекает инвестиции в раунде серии А Читать 3мин) Поставщик инфраструктуры для обеспечения соответствия нормативным требованиям и обучения персонала, работающего в сфере ухода на дому и самостоятельного ухода, компания Nevvon получила стратегические инвестиции от BVP Forge Читать 1мин)  Цифровая платформа, упрощающая оплату школьных сборов для родителей и обеспечивающая управление финансами в режиме реального времени для образовательных учреждений, Ecole Pay привлекла 167 тыс. долларов. Читать 1мин) В рамках программы EBRD Star Venture Programme была определена новая региональная группа из 13 стартапов из Центральной Азии, три из которых работают в сфере образовательных технологий (EdTech): OSNOVA - Платформа для карьерного планирования и развития цифровых навыков с поддержкой ИИ и геймифицированным обучением, Hi Doctor - Цифровое медицинское образование с использованием симуляций на основе ИИ и виртуальной тренировки пациентов, A1 Project - Усовершенствованное с помощью ИИ управление пространством, автоматизирующее операции для образовательных учреждений Читать 1мин)

​​Прототипирование, масштабирование и стандартизация ИИ-репетиторов в школах Автор: Бен Уильямсон рассматривает политику Англии в отношении ИИ в школах не просто как внедрение новых технологий, а как систематический эксперимент по конструированию будущего образования. Государство пытается справиться с неопределённостью вокруг ИИ через последовательность: прототипирование → пилотирование → стандартизация → масштабирование. 1. Прототипирование. Государство фактически использует дизайн и инженерные методы как инструмент образовательной политики — не ожидает появления готовых доказательств эффективности ИИ, а само создаёт эти доказательства через эксперименты. 2. Школы как «живые лаборатории». В рамках программы предполагается тестирование технологий в реальных классах, в том числе в 1000 школ и колледжей. 3. Стандартизация. Цель экспериментов — не просто определить, какие ИИ-инструменты эффективны, а создать национальный стандарт для ИИ в школьном образовании, который определит, какие продукты смогут масштабироваться и коммерциализироваться. 4. Шесть компаний получили по £300 тыс. на развитие своих решений. Среди участников — EdTech-компании и крупные игроки вроде Pearson, а некоторые проекты реализуются совместно с Google DeepMind и Anthropic. Государственная программа одновременно становится механизмом поддержки определённых коммерческих технологий и компаний. Такой подход может превратить один конкретный технологический сценарий будущего в фактически обязательную модель. Национальный стандарт способен не только регулировать ИИ, но и заранее определить, каким должно быть обучение с ИИ, ограничивая альтернативные варианты развития школы. Проблема особенно серьёзна потому, что пока нет достаточных доказательств, что ИИ действительно снижает нагрузку учителей или улучшает результаты обучения. При этом государство уже создаёт инфраструктуру, которая может сделать ИИ обязательным направлением образовательной реформы. Читать 10мин)

​​Учить океан плавать Автор Холлис Роббинс ставит под сомнение применение модели «Большой пятёрки» (Big Five) для описания личности ИИ-моделей и предлагает перейти от статичных черт к контекстной, реляционной и нарративной модели личности. «Большая пятёрка» — открытость, добросовестность, экстраверсия, доброжелательность и невротизм — возникла из лексического анализа человеческого языка. Исследователи из почти 18 тысяч слов, описывающих людей, последовательно выделили пять устойчивых факторов. Проблема, по мнению автора, заключается в том, что при этом была потеряна значительная часть контекста, в котором существуют характеристики личности. Многие слова, описывающие человека, невозможно интерпретировать вне ситуации: «высокомерный» предполагает отношение к кому-то; «пугающий» описывает воздействие на другого человека; «мстительный» или «прощающий» предполагают предшествующие события; «уклончивый» предполагает, что человек что-то скрывает от кого-то; «саркастический» предполагает наличие слушателя. Таким образом, личность проявляется не только как набор характеристик отдельного индивида, но и как система отношений, реакций, историй и взаимодействий. Исследователи ИИ активно используют Big Five потому, что для неё уже существуют десятилетия исследований, стандартизированные анкеты и большие массивы человеческих данных. Но автор считает, что это создаёт ложное ощущение научной строгости. Типичный эксперимент выглядит так: модели задают персону, предлагают пройти тест Big Five и затем оценивают полученные показатели. Но модель может одновременно соглашаться с утверждениями «Я экстраверт» и «Я интроверт», поскольку она оптимизируется под конкретный контекст запроса, а не обязательно формирует стабильное человеческое самоописание. Более того, эксперименты показывают, что поведение ИИ-персон может существенно меняться после выполнения заданий, взаимодействия или изменения жизненного сценария. В некоторых исследованиях нарративная структура объясняла поведенческую вариативность значительно лучше, чем заданная персона. Вместо того чтобы сводить личность LLM к пяти числовым координатам, Роббинс предлагает вернуться к гораздо более богатому лексическому пространству. LLM способны работать с огромным количеством слов и семантических связей. Поэтому, считает автор, имеет смысл исследовать, как слова организуются по своим предпосылкам и контекстам, а не только по сходству значений. Особенно важны четыре измерения, которые теряются в Big Five: отношения → история → аудитория → самоанализ. То есть вместо вопроса «Насколько эта модель экстравертна?» гораздо интереснее спрашивать: «Как эта модель ведёт себя по отношению к конкретному человеку, в конкретной истории и в последовательности взаимодействий?» Главный тезис статьи довольно радикален: личность нельзя адекватно представить как набор независимых черт. Особенно это справедливо для LLM, чьё поведение определяется языковым контекстом и последовательностью взаимодействий. Автор предлагает рассматривать личность скорее как динамический паттерн поведения в контексте, а не как фиксированный профиль из пяти характеристик. Для AI-агентов это означает переход: от personality traits (черт характера) → к personality-in-interaction (личности во взаимодействии); от анкеты → к наблюдению за поведением; от отдельного сценария → к истории взаимодействий; от пяти факторов → к богатому семантическому и нарративному пространству. «Большая пятёрка — это всего лишь способ плавания»: она может быть удобным инструментом, но не должна приниматься за саму природу личности. Читать 5мин

​​Как крупные технологические компании захватили американские школы Автор: Наташа Сингер За последнее десятилетие Google, Microsoft, Apple, Amazon, Meta и OpenAI превратили американские школы в важную площадку для продвижения своих технологий, продуктов и мировоззрения. Компании не просто поставляют школам ноутбуки, платформы и приложения. Они финансируют исследования, разрабатывают учебные материалы, обучают учителей, участвуют в формировании образовательных стандартов и лоббируют соответствующую образовательную политику. Особенно показателен пример Google: бесплатные Chromebook и сервисы позволили компании создать практически целую образовательную экосистему и приучить миллионы детей к собственным продуктам с раннего возраста. Аналогичная история происходит сейчас с ИИ. После активного продвижения информатики и программирования технологические компании переключились на AI-образование. Например, Code.org, поддерживавшаяся Google и Microsoft, сменила название на CodeAI. При этом автор обращает внимание на конфликт интересов: компании одновременно предлагают школам технологии и заинтересованы в расширении рынка этих технологий. Поэтому корпоративная «благотворительность» может одновременно быть и маркетингом, и способом формирования нужного индустрии образовательного дискурса. Результаты массовой цифровизации оказались неоднозначными: школы потратили десятки миллиардов долларов на устройства и приложения, но убедительных свидетельств значительного улучшения результатов обучения оказалось немного. Поэтому некоторые школы уже начинают сокращать использование устройств. Самый интересный поворот в переходе от «обучения технологиям» к «пониманию технологий». Вместо того чтобы просто учить детей программировать или пользоваться ChatGPT, школы могут учить их задавать вопросы: Кто создал эту технологию? Кто на ней зарабатывает? Кому она выгодна? Как она влияет на меня и общество? Такой подход автор называет «технологической гражданственностью» (technological citizenship) — аналогом гражданского образования, но применительно к власти технологических корпораций и миру, всё больше формируемому ИИ. Статья фактически предлагает перестать воспринимать Big Tech как нейтрального «помощника образования». Технологическая грамотность в эпоху ИИ должна включать не только умение пользоваться технологиями, но и понимание их экономических интересов, ограничений, рисков и общественных последствий. Читать 14мин