Самая любимая часть моей работы преподавателем в средней школе заключалась не в проверке домашних заданий. Это был хаос экспериментов.
Я отказался от сочинений по прочитанным книгам. Эта форма умерла при рождении. Вместо этого студенты использовали графические органайзеры, ограниченные 100 словами, для мультимодальных ответов. Устные доклады имели жесткий лимит в две минуты. Если я ловил тебя на чтении во время самостоятельного чтения (SSR)? Бонусные баллы. Просто и понятно.
Тесты? Берите свои конспекты. Мои слайды. Учебник. Всё что угодно.
Мне было неважно, запомнил ли ты даты. Мне хотелось увидеть, умеешь ли ты синтезировать, оценивать и анализировать.
За двенадцать лет преподавания я ни разу не заставлял ни одного студента писать пятипараграфное эссе.
Почему?
Я профессиональный писатель с тех пор, как большинство этих моделей ИИ еще не родились. Я ненавижу этот формат. Структура важна. Но структура, существующая только внутри класса? Это потеря времени.
Недавно некоторые авторы на Substack, пишущие об ИИ в образовании, заново разжгли мой интерес к педагогическому дизайну.
Я провел эксперимент.
Я задал большим языковым моделям (LLM) один вопрос: Что делает задание легким для тебя?
Я знал ответ еще до того, как задал вопрос. Распознавание паттернов.
Мы виним технологии. Это лениво.
Проблема не в том, что ИИ слишком мощный.
Проблема в том, что мы сами разработали задания так, чтобы они были предсказуемыми, процессуальными и скучно автоматизируемыми.
Индустрия знает это: если что-то можно автоматизировать, оно будет автоматизировано. Образование просто опаздывает на вечеринку.
Формула, которую обожает ИИ
Мы не случайно пришли к заданиям, удобным для ИИ. Мы построили их сами.
LLM процветают благодаря структуре. Не инсайтам. Не жизненному опыту. Структуре.
Вот что убивает творчество студентов и питает ИИ:
1. Жесткие шаблоны
Пятипараграфное эссе — король жанра. Вступление. Три основных абзаца. Заключение. Поменяй тему. Форма останется прежней.
ИИ не нужно думать. Он просто заполняет пробелы.
2. Очевидные prompts (запросы)
«Объясни круговорот воды в природе».
«Перечисли причины революции».
Это не вопросы. Это поисковые команды.
Модель сопоставляет сигнал с сохраненным ответом. Это завершение шаблона, а не творчество.
3. Поверхностное мышление
Суммируй. Определи. Перечисли.
Когнитивные ученые называют это «поверхностным» уровнем. Здесь самая высокая плотность паттернов. ИИ доминирует на поверхности. На глубине он почти не старается.
4. Чек-листы в критериях оценки
Включи три примера.
Используй пять терминов.
Полезно? Да.
Дружелюбно для алгоритмов? Пугающе так.
LLM реверс-инжинирят ваши критерии оценки. Они оптимизируют процесс для получения баллов, а не для понимания смысла.
5. Отсутствие контекста
Когда задание игнорирует личность самого студента, оно становится обесценированным знанием без контекста.
Я заставлял детей связывать книги с телепередачами. С видеоиграми. С их жизнью.
У ИИ нет жизни. Когда в задаче отсутствует контекст, у ИИ нет недостатков по сравнению с вами.
Ловушка обратного проектирования
Ирония в том, что наши лучшие методики способствовали этому развитию событий.
Обратное проектирование начинается с результатов. Затем вы создаете тест.
Это логично. Это аккуратно.
И это ужасно для мышления.
Когда вы слишком четко определяете «успех» — тезис, три цитаты, 800 слов — вы просто пишете prompt для ИИ.
Я видел, как мои племянницы этим занимаются. Первое, что они делают? Копируют инструкции и критерии оценки и вставляют их в ChatGPT.
Соответствие гарантировано.
Чек-листа недостаточно. Вам нужны индикаторы качества. Вам нужны высокие уровни доменов из Таксономии Блума. А не просто галочки.
Да, новые модели имитируют синтез. Да, они фальсифицируют креативность.
Это делает проектирование сложнее. Это делает проверку проще.
Где ИИ спотыкается
Не сжигайте свою программу обучения. Просто измените переменные.
ИИ испытывает трудности с:
- Подлинной неоднозначностью
- Локальным, специфическим контекстом
- Визуально видимым процессом
- Человеческим суждением
- Оригинальным синтезом в условиях ограничений
Ограничения — ключевой момент.
Поговорить с городским советом? Сложно.
Записать подкаст? Странно для LLM.
Использовать противоречивые локальные данные? Заковыристо.
Внести правки на основе «ненавистных» писем от сверстников? Больно для бота.
Когда задача переходит от выполнения паттерна к конструированию смысла, бот спотыкается.
Нам нужна «продуктивная трение».
Не хаос.
А трение.
Коллеги из AI Friction Labs создают именно это. Они заменяют «помощного» ИИ сопротивлением. Сократическим диалогом. Переговорами с заинтересованными сторонами. Защитой своего аргумента в реальном времени.
Они оценивают мышление, а не PDF-файл.
Проектное обучение?
- Определите хаос.
- Разберитесь, что вы не знаете.
- Протестируйте решение.
- Провалитесь. Итерация.
Здесь не работает ни один шаблон. Никакой «эскап-хака» из пяти абзацев.
Что же теперь?
Мы задаем неверный вопрос.
Не «Как мы остановим списывание?»
А «Почему это задание было так легко подделать?»
Это больно. Так и должно быть.
Если бот делает это за секунды, измеряли ли мы обучение? Или мы измеряли подчинение формуле?
Задания, которые ломают ИИ, — это те, которые требуют:
- Новаторских идей.
- Специализированной экспертизы.
- Жизненного опыта, которого нет ни в одном наборе данных.
Это не кризис. Это фильтр.
Он показывает нам, где наши задания провалились.
Нам нужно проектировать опыт, требующий ситуативного, итеративного, человеческого мышления.
Это по-прежнему сложно для них.
Удачи.
