Поиски ИИ: когда науки об обучении встречаются с дизайном продуктов для повышения грамотности в о... скачать в хорошем качестве

Поиски ИИ: когда науки об обучении встречаются с дизайном продуктов для повышения грамотности в о...

72% студентов ежедневно используют ИИ. Только 28% могут описать, как на самом деле работают большие языковые модели. Этот разрыв между использованием и пониманием побудил Google Research и Стэнфордский акселератор обучения создать AI Quests — игровую учебную программу, обучающую эпистемологической бдительности вместо спонтанного проектирования. Виктор Ли из Стэнфорда оспорил предположение, что спонтанное проектирование равнозначно грамотности в области ИИ. Это лишь верхушка айсберга. Интерфейсы меняются. Модели развиваются. Студентам необходимо прочное позиционирование в отношении технологий — понимание механизмов, признание роли человека в создании ИИ и критическая оценка ИИ, а не восприятие его как волшебства. Алон Харрис из Google Research объяснил, как AI Quests возникли из анализа исследований Google о влиянии на общество. Команды работали над прогнозированием наводнений, обеспечивающим семидневное раннее предупреждение, диагностикой заболеваний на развивающихся рынках без врачей, картированием человеческого мозга. Они задались вопросом: что, если студенты встанут на место исследователей и решат эти задачи с помощью игрового опыта? Темы, рассмотренные в исследовании: Миф о «волшебной коробке», в который верят студенты: ИИ просто знает ответы, а не предсказывает на основе данных и человеческого выбора Почему грамотность в области ИИ не может быть основана на оперативном проектировании: чат-боты сейчас в тренде, но ИИ выходит далеко за его рамки, охватывая прогнозирование, классификацию и автоматическое принятие решений Как работает эпистемическая бдительность: поддержание активного мышления о том, что люди могут предложить, на что следует обратить внимание, позиционирование студентов как агентов, которые создают и оценивают ИИ Цикл поиска, который проходят студенты: понимание проблемы и сообщества → поиск релевантных данных (12 источников, намеренно сложные) → очистка данных → обучение и тестирование модели → развертывание в сообществе → встреча с реальными исследователями Внедрение принципов наук об обучении: обратное проектирование от устойчивого понимания, поддержка через педагогических агентов, продуктивные циклы ошибок, обучаемые агенты, аутентичные практики, такие как консультации с экспертами, которые не согласны Проектные задачи, которые они решали вместе: объяснение обучения и тестирования без упрощения привело к визуализации «низкое соответствие / высокое соответствие», показывающей прогнозы ИИ в сравнении с реальными данными Правда. Представление «данных» в наглядном виде для подростков, воспринимающих их как абстрактные понятия, привело к использованию SD-карт в качестве метафоры для хранения информации. Обсуждение деликатных медицинских тем (диабетическая ретинопатия) привело к созданию вымышленного заболевания глаз, вызванного воздействием ультрафиолетового излучения. Представление разнообразия данных без биологического эссенциализма привело к изображению воздействия ультрафиолетового излучения в разных регионах, а не по демографическим показателям. Процесс совместной разработки выявил противоречие между технологической экспертизой Google и науками об обучении Стэнфорда. Харрис признал, что самым большим сюрпризом стало то, что он и Ли до сих пор общаются после бесчисленных итераций. Поиск оптимального баланса между слишком простым и слишком техническим подходом потребовал дисциплины в определении момента прекращения итераций. Руководства для учителей, созданные Стэнфордом, поддерживают настройку, фасилитацию и глубокие дискуссии. Геймифицированный опыт обеспечивает стимулы. Учителя остаются в центре концепции. Студенты тестировали её, закатывали глаза, проходя через неё, а затем, когда их спрашивали о главном, точно формулировали устойчивое понимание того, к чему хотели привести дизайнеры. Три проекта находятся в разработке: прогнозирование наводнений (запущено), обнаружение заболеваний глаз, картирование мозга (появится летом 2026 года). Все занятия бесплатные, проводятся преподавателями. Цель: охватить 2 миллиона студентов к концу 2026 года. На сессии было показано, как выглядит межсекторное сотрудничество, если оно организовано правильно. Не просто технологические компании создают инструменты и просят преподавателей их внедрять. Это совместная разработка с самого начала, включающая экспертные знания в области технологий и педагогических наук, проверку предположений со студентами и прохождение бесчисленных итераций. Если этот анализ сотрудничества Стэнфорда и Google в области обучения ИИ был полезен, пожалуйста, поставьте лайк и подпишитесь, чтобы получать ежедневные обзоры с саммита AI+Education Summit 2026. Как научить студентов понимать ИИ, а не просто использовать его? Оставьте комментарий ниже. Ссылки и ресурсы: На основе выступления на саммите Stanford AI+Education Summit 2026, сессия 6: «Задачи в области ИИ: когда науки об обучении встречаются с дизайном продуктов для достижения грамотности в области ИИ» Полная запись саммита (8 часов 58 минут): https://...