Новый взгляд на обучение: Сравнение традиционных и AI-подкрепленных интерактивных уроков

Автор: Денис Аветисян

Исследование показывает, как использование систем генеративного искусственного интеллекта влияет на процесс поиска информации и обучения у студентов, предлагая новый подход к интерактивному образованию.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

В процессе выполнения задачи на поиск ответа пользователи, подобно ориентировщикам в лесу или тумане, переходят между состояниями к финишной прямой, используя либо традиционный, либо основанный на извлечении информации из генеративных моделей искусственного интеллекта обучающий материал, при этом оба подхода предоставляют доступ к одному и тому же информационному пространству, но отличаются способом доступа к нему.

Сравнительный анализ влияния традиционных электронных уроков и систем Retrieval-Augmented Generation на когнитивную нагрузку и стратегии поиска информации в междисциплинарном обучении.

Понимание поведения обучающихся при поиске информации в электронном обучении критически важно, особенно в междисциплинарных областях с разнородными базовыми знаниями. В своей работе ‘Changing the Optics: Comparing Traditional and Retrieval-Augmented GenAI E-Tutorials in Interdisciplinary Learning’ авторы сравнивают традиционные и основанные на генеративном ИИ (RAG) электронные учебные пособия, выявив различия в стратегиях поиска информации. Полученные результаты показывают, что пользователи традиционных пособий демонстрируют большую осведомленность об информационном пространстве, в то время как пользователи RAG-систем проявляют более активное исследование с меньшей когнитивной нагрузкой. Как эти различия могут быть учтены при разработке эффективных учебных материалов будущего?

Забытая мудрость: Как обучение биоинформатике упускает главное

Традиционные электронные учебные пособия, несмотря на широкую распространенность в сфере биоинформатики, часто оказываются недостаточными для формирования глубокого понимания сложных концепций. Обучение, основанное преимущественно на пассивном восприятии информации и запоминании фактов, редко способствует развитию критического мышления и навыков решения проблем, необходимых для успешной работы с биологическими данными. Исследования показывают, что усвоение материала значительно улучшается, когда обучающиеся активно вовлечены в процесс, самостоятельно исследуют информацию и применяют полученные знания на практике, а не просто воспроизводят готовые решения. Таким образом, для эффективного обучения биоинформатике требуется переход от пассивных форматов к интерактивным и проблемно-ориентированным подходам, стимулирующим самостоятельное исследование и творческое применение знаний.

Эффективное освоение биоинформатики требует не просто заучивания фактов, но и развития способности к адаптивному поиску информации и решению проблем. Исследования показывают, что успешные специалисты в этой области характеризуются умением самостоятельно находить необходимые данные, критически оценивать их достоверность и применять полученные знания для анализа сложных биологических задач. Вместо пассивного восприятия готовых решений, важно активно исследовать различные подходы, экспериментировать с параметрами и находить оптимальные стратегии для конкретной задачи. Такой подход позволяет не только углубить понимание принципов биоинформатики, но и развить навыки, необходимые для быстрого освоения новых инструментов и технологий, постоянно появляющихся в этой динамично развивающейся области.

Данное исследование сравнивает эффективность обучения с использованием традиционных электронных учебников и системы генерации с использованием извлечения информации (<span class="katex-eq" data-katex-display="false">GenAI</span>), включающей схему системы, сравнение поведения при поиске информации, а также очные и онлайн-методы сбора данных. — Данное исследование сравнивает эффективность обучения с использованием традиционных электронных учебников и системы генерации с использованием извлечения информации ( $GenAI$ ), включающей схему системы, сравнение поведения при поиске информации, а также очные и онлайн-методы сбора данных.

Искусственный интеллект как спасение: Новый подход к обучению

Разработанная система электронных уроков на базе генеративного искусственного интеллекта использует технологию Retrieval-Augmented Generation (RAG) для предоставления контекстуализированного обучения. RAG позволяет системе извлекать релевантную информацию из внешних источников знаний и использовать ее для формирования ответов и объяснений, что повышает точность и уместность предоставляемого учебного материала. Это обеспечивает не просто генерацию текста, а предоставление информации, адаптированной к конкретному запросу учащегося и текущему контексту обучения, что способствует более эффективному усвоению материала.

В основе системы реализована языковая модель LLAMA-3, обеспечивающая генерацию ответов и адаптацию к запросам пользователя. Для эффективного поиска релевантной информации и контекста используется векторная база данных Chroma. Chroma позволяет хранить и быстро извлекать эмбеддинги текстовых данных, что значительно повышает точность и релевантность генерируемых ответов LLAMA-3, особенно при работе с большими объемами учебного материала. В процессе работы, запрос пользователя преобразуется в векторное представление, которое используется для поиска наиболее близких по смыслу фрагментов текста в Chroma, которые затем предоставляются LLAMA-3 в качестве контекста для генерации ответа.

В качестве архитектурной основы для интеграции компонентов системы обучения на базе генеративного ИИ был использован фреймворк LangChain. Данный фреймворк предоставил инструменты и абстракции, необходимые для организации взаимодействия между языковой моделью LLAMA-3, векторной базой данных Chroma и логикой извлечения и генерации ответов. LangChain упростил создание цепочек обработки данных, автоматизируя процессы поиска релевантной информации в Chroma, передачи данных в LLAMA-3 и форматирования полученных ответов для предоставления пользователю. Это позволило создать единую, когерентную систему, в которой все компоненты функционируют совместно для обеспечения персонализированного обучения.

Для минимизации предвзятости модели генератор был выбран на основе оценки трех крупных языковых моделей [11, 30, 2] - включая оценку с и без использования дополнения из внешних источников - с использованием модели эмбеддингов ‘nomic-embed-text’ [33] и L2-расстояния для определения релевантности, что привело к выбору модели ‘llama-3.3-70b-versatile’ [30] и корректировке порога расстояния до 0.9 [21] после выявления неточностей в ответах (выделены красным). — Для минимизации предвзятости модели генератор был выбран на основе оценки трех крупных языковых моделей [11, 30, 2] — включая оценку с и без использования дополнения из внешних источников — с использованием модели эмбеддингов ‘nomic-embed-text’ [33] и L2-расстояния для определения релевантности, что привело к выбору модели ‘llama-3.3-70b-versatile’ [30] и корректировке порога расстояния до 0.9 [21] после выявления неточностей в ответах (выделены красным).

HyPhy и генеративный ИИ: Практическое применение

Генеративная система искусственного интеллекта (GenAI) была применена к учебным материалам, посвященным программе HyPhy — ключевому инструменту в области биоинформатики. HyPhy представляет собой пакет программ для анализа эволюции вирусов и других организмов, широко используемый для изучения изменчивости геномов, выявления участков, подверженных положительному отбору, и реконструкции филогенетических деревьев. Использование GenAI позволило создать интерактивные обучающие материалы, адаптированные к специфике работы с HyPhy, и предоставить пользователям персонализированную поддержку в освоении этого сложного программного обеспечения.

Механизм Retrieval-Augmented Generation (RAG) эффективно повышает качество и точность обучающего опыта, предоставляя ответы, основанные на релевантных извлеченных данных. Вместо генерации ответов исключительно на основе внутренних параметров модели, RAG сначала извлекает информацию из внешнего источника знаний — в данном случае, обучающих материалов по программе HyPhy. Эта извлеченная информация затем используется в качестве контекста для генерации ответа, что значительно снижает вероятность галлюцинаций и обеспечивает фактическую корректность предоставляемых сведений. Использование RAG гарантирует, что ответы модели непосредственно связаны с представленным учебным контентом, что особенно важно при обучении сложным темам в области биоинформатики.

Анализ поведения обучающихся проводился с использованием фреймворка Orienteering, который позволяет отслеживать паттерны поиска и обработки информации. Данный фреймворк предполагает, что обучающиеся, подобно участникам ориентирования на местности, выбирают пути получения знаний, основываясь на доступных подсказках и собственной стратегии. Наблюдения показали, что пользователи демонстрируют различные подходы к изучению материала: некоторые предпочитают последовательное прохождение всех этапов, в то время как другие активно используют поиск по ключевым словам и переходят к интересующим их разделам. Кроме того, было выявлено, что частота и характер обращений к справочным материалам коррелирует с уровнем предварительной подготовки и сложностью изучаемой темы. Полученные данные позволяют оптимизировать структуру учебных материалов и персонализировать процесс обучения, учитывая индивидуальные особенности каждого пользователя.

Анализ данных опросов и поведения участников исследования показал различия в демографических показателях, академической подготовке, уровне владения ИИ, восприятии контента, когнитивной нагрузке, достаточности контента, частоте проверки информации, поведении при поиске информации и временных параметрах взаимодействия с системой.

Когнитивная нагрузка и стратегии поиска: Что происходит в голове у обучающегося?

Исследование использовало широко признанную методику NASA-TLX для оценки когнитивной нагрузки участников. Полученные данные продемонстрировали значительное снижение умственного напряжения у тех, кто обучался с помощью интерактивного руководства, основанного на генеративном искусственном интеллекте (GenAI). В частности, у данной группы показатель когнитивной нагрузки оказался на 20 пунктов ниже по сравнению с участниками, использовавшими традиционные методы обучения. Это указывает на то, что GenAI-руководства могут эффективно снижать ментальную перегрузку обучающихся, делая процесс освоения материала более комфортным и продуктивным. Такое снижение нагрузки потенциально способствует улучшению запоминания и более глубокому пониманию информации.

Исследование выявило, что стратегии поиска информации обучающимися можно разделить на две основные категории: “следование плану” и “мониторинг”. Обучающиеся, придерживающиеся стратегии “следования плану”, последовательно выполняют предложенные инструкции и шаги, не отвлекаясь на дополнительные сведения. В то время как те, кто используют стратегию “мониторинга”, активно оценивают свой прогресс, перепроверяют информацию и корректируют свой подход в процессе обучения. Выявление этих различных стилей позволяет лучше понять индивидуальные особенности обучающихся и адаптировать образовательный контент для повышения его эффективности, учитывая, что некоторые пользователи предпочитают четкие инструкции, а другие — более самостоятельное исследование материала.

В рамках исследования для обеспечения безопасности и достоверности ответов, генерируемых моделью GenAI, была интегрирована система «Guardrail». Данная система выступает в роли своеобразного фильтра, предотвращающего выдачу некорректной или предвзятой информации. Она отслеживает и корректирует ответы модели в режиме реального времени, гарантируя, что пользователь получает надежные и проверенные данные. Реализация «Guardrail» позволила минимизировать риски, связанные с возможными ошибками или предвзятостью в ответах GenAI, повышая тем самым доверие к системе и ее применимость в образовательных целях. Такой подход к контролю качества ответов имеет ключевое значение для создания эффективных и безопасных обучающих инструментов на базе искусственного интеллекта.

В видеодемонстрации задачи ([https://youtube.com/shorts/Bnxgrbpujrk](https://youtube.com/shorts/Bnxgrbpujrk)) актер исполнил две роли - учащегося-исследователя и наставника, демонстрируя взаимодействие как с традиционным электронным учебником, так и с учебником на основе генеративного ИИ. — В видеодемонстрации задачи ([https://youtube.com/shorts/Bnxgrbpujrk](https://youtube.com/shorts/Bnxgrbpujrk)) актер исполнил две роли — учащегося-исследователя и наставника, демонстрируя взаимодействие как с традиционным электронным учебником, так и с учебником на основе генеративного ИИ.

Исследование показывает, что даже самые изящные системы генеративного ИИ, вроде RAG, не избавляют от необходимости планирования и поиска информации — просто переносят эту нагрузку в другое место. Как будто переложили камни с одной кучи на другую. Кен Томпсон как-то заметил: «Простота — это проблема». И в данном случае это особенно заметно: попытка упростить процесс обучения через автоматическое извлечение информации не всегда приводит к желаемому результату. Система, пытающаяся «угадать» потребность учащегося, часто упускает нюансы, которые видны при осознанном поиске. В конечном итоге, продакшен всегда найдёт способ напомнить, что идеальных решений не бывает, а когнитивная нагрузка — вещь неумолимая.

Что дальше?

Представленное исследование, сравнивающее традиционные электронные учебные пособия с системами, использующими генеративный искусственный интеллект и дополненные поиском (RAG), выявило различия в когнитивной нагрузке и стратегиях поиска информации. Однако, стоит помнить: каждая элегантная схема когнитивной нагрузки рано или поздно столкнётся с реальностью пользователя, который просто хочет получить ответ. Продакшен всегда найдёт способ сломать красивую теорию.

Дальнейшие исследования неизбежно должны будут обратиться к вопросам масштабируемости и адаптивности RAG-систем. Как обеспечить актуальность извлекаемой информации в быстро меняющейся предметной области, например, в биоинформатике? Каким образом учитывать индивидуальные когнитивные стили обучающихся, не превращая систему в неподъемный комплекс настроек? И, самое главное, как измерить реальную пользу от RAG, а не только фиксировать изменения в логах поиска? Всё, что можно задеплоить — однажды упадёт.

В конечном счёте, вся эта гонка за улучшением учебных пособий — лишь попытка отсрочить неизбежное. Любая абстракция умирает от продакшена, но зато красиво умирает. И, возможно, самое ценное, что можно извлечь из этих исследований — это осознание границ применимости технологий и признание непредсказуемости человеческого обучения.

Оригинал статьи: https://arxiv.org/pdf/2602.20544.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-02-26 00:39