Цифровое образование

​​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

​​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)

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.

​​🦄_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)

​​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)

​​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)

​​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)

​​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

​​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

​​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