редактировать событие: Систематизация образовательных практик взаимодействия людей и генеративных ИИ-агентов

Текст:

== Введение == Определение нового исследовательского поля – уточнить, каким образом мы мыслим о человеко-машинных командах и как описываем их когнитивный потенциал. Сегодня под человеко-машинными командами понимаются формы взаимодействия, в которых люди и искусственные агенты работают как взаимодополняющие партнёры: одни вносят контекст, опыт и ценностные ориентиры, другие – вычислительные возможности, вариативность решений и скорость обработки информации. Такие команды можно описывать в терминах гибридных сообществ, где совместная деятельность строится на балансе человеческой интуиции и машинной аналитики. В более общем виде это проявляется в концепции [[супермозг]]а, то есть систем, интеллект которых превосходит сумму компонентов благодаря правильной организации коммуникации и распределения задач. {{#ask: [[Человеко-машинная команда]] | ?Description }} ; [[Социальный объект]] + object to think with (Sherry Turkle) мыслители, которые уже раньше показывали пути к интеграции человека и технологий. Валентин [[Турчин]] говорил о метакогнитивном переходе к суперорганизму и супермозгу, где развитие общества связано с усилением способов коллективного мышления. {{#ask: [[Турчин]] OR [[Феномен науки: Кибернетический подход к эволюции]] OR [[Principia Cybernetica Web]] | ?Description }} Мы должны не только находить новые определения, но и опираться на уже имеющиеся инструменты и наследие тех исследователей, которые раньше учили нас правильно описывать, что значит мыслить вместе – неважно, внутри человеческого коллектива или в партнерстве с машинами. Это позволяет соединять мощь новых технологий с глубокой культурой педагогики и философии науки, создавая язык, на котором можно будет говорить о будущих формах совместного интеллекта. * Fiore, S. M., & Wiltshire, T. J. (2016). Technology as Teammate. Frontiers in Psychology. * Wang, D., Weisz, J. D., et al. (2019). Human-AI Collaboration in Data Science. * Malone, T. W. (2020). How Can Human-Computer “Superminds” Develop Business Strategies? Springer. == Репертуарные решетки == Метод, основанный на теории персональных конструктов Дж. [[Келли]] позволяет участникам выстраивать и систематизировать признаки, по которым они оценивают и различают взаимодействия с ИИ-агентами. Шоу и Гейнc (Mildred L. G. Shaw, Brian R. Gaines) развили метод репертуарных решёток в образовательных и научно-исследовательских контекстах, главным образом через создание серии программных инструментов RepGrid и WebGrid. Интерактивные веб-версии (WebGrid V) и десктопные приложения (RepGrid Plus) дают преподавателям возможность быстро развернуть анкеты для студентов, собрать данные и визуализировать когнитивные карты классов или групп. # Patarakin, E. D., & Travina, L. L. (1996). Knowledge acquisition and Manipulation with the constructs on the Psychological Web-site. The Second International Conference on Distance Education in Russia, 2–5. # Travina, L. L., & Patarakin, E. D. (1997). Kelly’s RG Test in Logo Media—Play with Results. В P. A. M. '''Kommers''', A. Dovgiallo, V. Petrushin, & P. '''Brusilovsky''' (Ed.), New media and telematic technologies for education in eastern European countries (pp. 335–339). === Эксперимент 1 === В первом эксперименте участникам (студентам вузов) были предложены средства, которые они чаще всего используют при написании курсовых и выпускных квалификационных работ: # [[ChatGPT]] # ConsultantPlus, # [[Cyberleninka]] # [[ELibrary.Ru]] # [[Google Scholar]] # [[ResearchGate]] # [[Wikipedia]] # [[Yandex.GPT]] Эти ресурсы использовались как элементы репертуарной решетки. Совместно с участниками обсуждались достоинства и недостатки каждого из ресурсов. В ходе обсуждения были предложены следующие полярные конструкты: # «Недостоверность» <--> «Достоверность» # «Популярность» <--> «Научность» # «Сложность» <--> «Удобство» # «Ограниченность» <--> «Объем информации», # «Статичность»<--> «Диалог» # «Медленно» <--> «Быстро» # «Платно» <--> «Бесплатно» # «Устаревание» <--> «Актуальность» В результате студенты получили решетки размером 8×8 (элементы × конструкты), где каждое средство ранжировалось по каждому конструкту на индивидуальных и командных решетках. Это позволило участникам увидеть общие и различающиеся представления о том, как они воспринимают различные инструменты, и способствовало выработке общей онтологии поля командной деятельности — общего языка для обсуждения преимуществ и недостатков разных ресурсов. [[Файл:PrinGrid_Map_Students_Work_GenAI.png|600px]] === Эксперимент 2 === [[Файл:Eepgrid students.jpg|400px]] В рамках второго [[эксперимент]]а в качестве исходных элементов решетки были взяты наиболее известные и доступные для студентов университетов языковые модели # [[Bert]], # [[DeepSeek]] # [[GigaChat GPT-4]] # [[Llama]] # [[Mistral]] # [[Qwen]] # [[YandexGPT]]. Аналогично первому эксперименты, в ходе групповой дискуссии были выработаны релевантные полярные конструкты: # «Медлительность» <--> «Быстрый отклик» # «Непрозрачность работы» <--> «Прозрачность работы» # «Не вызывает доверия» <--> «Вызывает доверие» # «Шаблонность» <--> «Креативность» # «Потеря контекста» <--> «Понимание контекста» # «Специализированность»<--> «Универсальность» # «Закрытость» <--> «Открытость» # «Просто выдаёт ответ» <--> «Показывает путь к результату» Студенты ранжировали каждую языковую модель по этим характеристикам, формируя индивидуальные и коллективные решетки. Это позволило выявить коллективные ожидания и сомнения относительно ИИ-инструментов для совместной работы в образовательных командах, а также выявить различия в восприятии современных языковых моделей. С полученными решётками можно продолжать эксперименты, использую инструмент [[WebGrid]]Plus. [[Файл:Display_Genertive_AI_0.png|600px]] {{#ask: [[WebGrid]] | ?Description }} [[Файл:PrinGrid_Map_Students_Work_GenAI_2.png|600px]] == Веерная матрица == {{#ask: [[Веерная матрица]] | ?Description }} {| class="wikitable" style="text-align:center; width:100%;" |+ '''Таблица 1. Веерная матрица взаимодействия агентов различной природы''' ! style="width:18%;" | Типы агентов / Виды работ ! style="width:20%;" | Отдельный человек ! style="width:20%;" | Команды людей ! style="width:20%;" | Системы ИИ ! style="width:20%;" | Гибридные команды |- ! Индивидуальная работа | style="background:#e6e6e6;" | Область саморефлексии и личностного развития | Работа с отдельными участниками команды | Использование ИИ-ассистентов | Персонализация в гибридной среде |- ! Командная работа | Включение человека в команду | style="background:#e6e6e6;" | Анализ командных процессов и сетевого анализа | Оркестрация ИИ-систем | Командная динамика человек–ИИ |- ! Автоматизированная работа | Автоматизация индивидуальных процессов | Автоматизация командных процессов | style="background:#e6e6e6;" | Область непрерывного обучения и адаптации ИИ-систем | Автоматизация гибридных процессов |- ! Гибридная работа | Человек как часть гибридной системы | Команда как часть гибридной системы | ИИ как часть гибридной системы | style="background:#e6e6e6;" | Область синергии человеческого и искусственного интеллекта |} == Многоагентные модели == Компьютерные симуляции, в которых участники (люди и ИИ-агенты) моделируются как отдельные агенты с собственными правилами поведения, способные взаимодействовать и обучаться в рамках системы. Данный подход позволяет наблюдать возникновение коллективных паттернов и социальных объектов в динамике, а также тестировать гипотезы о взаимодействии. При разработке многоагентной модели совместной деятельности команды, в состав которой входят люди и агенты искусственного интеллекта мы опирались на теоретические положения Брэдшоу и на фреймворк [[HUMAT]], предложенный Ягером и уже используемый для моделирования феноменов взаимодействий людей и агентов. ; [[Обсуждение:Систематизация_образовательных_практик_взаимодействия_людей_и_генеративных_ИИ-агентов#Ключевые_понятия|Обсуждение ключевых понятий]] # Jager, W., Antosz, P., Bouman, L., Li, T., Polhill, J. G., Szczepanska, T., & Wang, S. (2025). [[HUMAT]]: An Integrated Framework for Modelling Individual Motivations, Social Exchange and Network Dynamics. Journal of Artificial Societies and Social Simulation, 28(1), 4. # Manseau, J. (2025). '''Understanding The Effects Of AI Tasks And Social Deskilling: An Agent-Based Model'''. https://aisel.aisnet.org/amcis2025/sigadit/sigadit/4/ # Newton, O. B., Saadat, S., Song, J., Fiore, S. M., & Sukthankar, G. (2024). EveryBOTy Counts: Examining [[Человеко-машинная команда|Human–Machine Team]]s in Open Source Software Development. Topics in Cognitive Science, 16(3), 450–484. https://doi.org/10.1111/tops.12613 {{#ask: [[HUMAT]] | ?Description }} === Классическая модель формирования команд === <netlogo model="TeamAssembly_1" /> === Формирование гигантской компоненты [[МЭШ]] === <netlogo model="Giant_MESH" /> === SSMN === Данная модель представляет собой агент-ориентированную реализацию концепции мутуалистических социо-семантических сетей, основанную на работе St-Onge et al. (2022) "Socio-semantic networks as mutualistic networks". Модель моделирует взаимодействие между социальными сообществами (учителя) и семантическими объектами (образовательные сценарии) по аналогии с экологическими сетями опыления растений насекомыми. В экологическом контексте пчелы посещают цветы для получения нектара, одновременно опыляя растения. В нашей модели учителя (users) выступают как "посещающие виды" (аналог пчел), образовательные сценарии (balls) - как "посещаемые виды" (аналог растений). Учителя "посещают" сценарии для использования в своей педагогической деятельности, а сценарии получают развитие через повторное использование. <netlogo model="MutualisticNetwork" /> ---- == Вместо заключения == к докладу про учебное моделирование [https://scholar.google.com/citations?user=LxHV8i8AAAAJ&hl=ru Бровка Наталья Владимировна] {{#ask: [[Piaget-Vygotsky (model)]] | ?Description }}

Записать страницу Отменить