MUTUS HAI

Материал из Поле цифровой дидактики
Версия от 16:01, 19 ноября 2026; Patarakin (обсуждение | вклад) (Защитил страницу MUTUS HAI ([Редактирование=Разрешено только администраторам] (бессрочно) [Переименование=Разрешено только администраторам] (бессрочно)))
(разн.) ← Предыдущая версия | Текущая версия (разн.) | Следующая версия → (разн.)


Описание модели Агентная модель учебной вики, в которой студенты и ИИ-участники работают с одними и теми же статьями. Модель
  • Делает видимыми два уровня развития по Выготскому: что студент может сделать сам и что он может сделать только с помощью
  • Различает источник помощи: тексты, написанные товарищами, и помощь ИИ
  • Сравнивает два идеальных типа ИИ-участника: исполнителя («другой, который делает за меня») и тьютора («другой, который делает со мной»)
  • Позволяет снять ИИ во время прогона и посмотреть, что осталось у студентов
  • Используется для обсуждения вопроса, когда ИИ оказывается значимым другим в совместной учебной деятельности
Область знаний Педагогика, Психология
Веб-страница - ссылка на модель
Видео запись
Разработчики User:Patarakin
Среды и средства, в которых реализована модель NetLogo
Диаграмма модели
Описание полей данных, которые модель порождает
Модель создана студентами? Нет

Страница подготовлена для круглого стола «ИИ как (не)значимый другой: что меняется в совместной учебной деятельности и общении» (форум «Время Л.С. Выготского: от фундаментальной теории к современной практике»). Эта страница служит подсказкой для слушателей: здесь собраны основные понятия, цвета на экране, переменные и графики модели.

Вопрос модели

В модели помощь не передаётся от человека к человеку напрямую. Она овеществлена в объекте совместной работы: в статье учебной вики. Чем лучше товарищи написали статью, тем она доступнее. ИИ-участник может менять ту же статью: дописывать текст (исполнитель) или временно облегчать и усложнять её для студентов, которые с ней работают (тьютор).

От Piaget–Vygotsky Game к MUTUS-HAI

В модели Piaget-Vygotsky (model) (Abrahamson, Wilensky) игроки, которые учатся по Пиаже, учатся только на собственных попытках, а игроки по Выготскому учатся, наблюдая за соседями. Зона ближайшего развития там задана как максимальная разница между результатами игрока и соседа, при которой ещё можно у него научиться.

В MUTUS-HAI зона ближайшего развития переносится с отношения «человек и человек» на отношение «человек и объект»:

  • участник: студент с уровнем умения;
  • объект: статья вики со своей сложностью;
  • помощь: качество текста, созданного другими, и поддержка ИИ;
  • зона: полоса сложности вокруг умения студента, в которой он справляется с задачей и учится.

Теоретическое основание модели

Зона ближайшего развития

 Description
Зона ближайшего развитияПонятие в культурно-исторической теории Выготского обозначающее расхождение в уровне трудности задач, которые решаются ребёнком самостоятельно и с помощью медиаторов-помощников, в роли которых могут выступать взрослые, учителя, старшие братья, товарищи по учебе или компьютерные программы.

Условимся называть … уровнем актуального развития ребенка тот уровень, которого ребенок достиг в ходе своего развития и который определяется с помощью задач, решаемых ребенком самостоятельно… Зона ближайшего развития ребенка — это расстояние между уровнем его актуального развития, определяемым с помощью задач, решаемых самостоятельно, и уровнем возможного развития, определяемым с помощью задач, решаемых под руководством взрослого и в сотрудничестве с более умелыми сотоварищами

  • Выготский Л.С. Динамика умственного развития ребенка в связи с обучением // Выготский Л.С. Педагогическая психология. М., 1991.

В модели это означает:

  • для каждого студента и каждой статьи вычисляется, справится ли он со статьёй сам, с помощью текстов товарищей или только с помощью ИИ;
  • разница между «могу сам» и «могу с помощью» есть ширина зоны ближайшего развития;
  • обучение идёт только внутри полосы и быстрее всего у её верхнего края; слишком лёгкая статья не развивает.

Сегодня с помощью другого, завтра сам

«То, что ребёнок умеет делать сегодня в сотрудничестве, завтра он сумеет сделать самостоятельно». В модели это операционализировано как интериоризированная пара: студент впервые справился со статьёй только с помощью, а позднее справился с ней сам.

Обучение, забегающее вперёд развития

Выготский писал, что «хорошее» обучение только то, которое забегает вперёд развития. В модели это видно так: если задача стала слишком лёгкой, студент с ней справляется, но не учится. Поэтому значимый другой должен уметь не только облегчать задачу, но и делать её труднее.

Скаффолдинг

 Description
СкаффолдингСкаффолдинг — процесс, который дает возможность ребенку или новичку решить проблему, выполнить задание или достичь целей, которые находятся за пределами его индивидуальных усилий возможностей

Модель опирается на три признака скаффолдинга из обзора van de Pol, Volman, Beishuizen (2010):

  • контингентность: помощь подстраивается под уровень ученика;
  • угасание: помощь постепенно убирается;
  • передача ответственности: задачу в итоге выполняет сам ученик.

Кроме того, B. Reiser (2004) различает две функции скаффолдинга: структурирование (упрощение задачи) и проблематизацию (обращение внимания на трудное). Тьютор MUTUS-HAI может выполнять обе функции.

Опосредствование и мутуализм

 Description
МутуализмМутуали́зм — широко распространённая форма взаимополезного сожительства, когда присутствие партнёра становится обязательным условием существования каждого из них. Преимущества, которые получает организм, вступающий в мутуалистические отношения, могут быть различны. Часто по крайней мере один из партнёров использует другого в качестве поставщика пищи, тогда как второй получает защиту от врагов или благоприятные для роста и размножения условия. В других случаях вид, выигрывающий в пище, освобождает партнёра от паразитов, опыляет растения или распространяет семена. Каждый из участников мутуалистической пары действует эгоистично, и выгодные отношения возникают лишь потому, что получаемая польза перевешивает затраты, требуемые на поддержание взаимоотношений.

Помощь в модели существует как свойство статьи, то есть как культурное орудие. Отношения студентов и статей взаимовыгодны (мутуализм): студенты улучшают статьи, а улучшенные статьи становятся доступнее и полезнее для следующих студентов. Эта часть модели взята без изменений из MUTUS v1.0.

Два ИИ-участника

Оба ИИ-участника действуют в том же слое объектов, что и студенты, и выбирают статьи по тому же правилу видимости. У них фиксированное умение и активность, они не учатся и не имеют собственной зоны развития. ИИ-участник в модели не является языковой моделью и не порождает текст: его помощь выражена числами.

Свойство Исполнитель (performer) Тьютор (tutor)
Метафора Другой, который делает за меня Другой, который делает со мной
Что меняет в статье Качество текста, надолго Временную поддержку, которая угасает
Учитывает уровень студентов Нет Да: подстраивает поддержку под умение студентов рядом со статьёй
Может уменьшить помощь Нет Да, когда студенты растут
Может усложнить задачу Нет Да, если включён переключатель tutor-challenges?
Забирает у студентов возможность вклада Да Нет
Пишет новые статьи вместо исчезнувших Да, на своём уровне (при renewal? и ai-authoring?) Нет
На экране Пурпурная звезда Оранжевая звезда

Что видно на экране

Кнопка watch random student или pick student (click) выбирает одного студента; он становится жёлтым. В режиме view-mode = zone of watched student каждая статья окрашивается по тому, что произойдёт, если этот студент откроет её сейчас.

Цвет Категория Что это значит для студента
Зелёный IND Справится сам, без всякой помощи (уровень актуального развития)
Синий ZPD-H Справится только благодаря текстам товарищей (зона, открытая людьми)
Оранжевый ZPD-AI Справится только благодаря поддержке ИИ (зона, открытая ИИ)
Фиолетовый CHAL-AI Задача в зоне только потому, что тьютор её усложнил; без него было бы слишком легко
Светло-серый EASY-OWN Слишком легко: справится, но не научится
Розовый EASY-AI Слишком легко из-за помощи ИИ (избыточная помощь)
Тёмно-красный FAIL Пока недоступно даже с помощью
Тёмно-серый Статья «увяла»: в ней давно никто не работал

По мере роста умения студента синие и оранжевые статьи становятся зелёными, а зелёные становятся серыми. Зона ближайшего развития буквально движется по экрану.

Попробуйте сами

В модели много слайдеров, но для начала нужны только четыре элемента: num-ai, ai-role, tutor-challenges? и ai-present?. Остальное не трогайте. Перед каждым шагом нажимайте setup, затем watch random student (один студент станет жёлтым), затем go. Семестр длится 150 тактов, после чего модель останавливается.

Шаг Что сделать Что вы должны увидеть
1 Ничего не меняйте (ИИ нет: num-ai = 0) Вокруг жёлтого студента есть зелёные статьи (может сам) и синие (может с помощью текстов товарищей). Постепенно синие становятся зелёными, а зелёные светло-серыми. К концу семестра серого больше всего: группа сама делает задачи слишком лёгкими.
2 num-ai = 6, ai-role = performer Появляются пурпурные звёзды-исполнители и розовые статьи: задача стала слишком лёгкой из-за ИИ. Монитор human service share падает примерно до 0.6: часть работы студентов сделал ИИ.
3 ai-role = tutor Оранжевые звёзды-тьюторы есть, но картина почти как в шаге 1. Тьютор, который умеет только помогать, здесь не нужен: помощи и так достаточно.
4 Включите tutor-challenges? Появляются фиолетовые статьи: тьютор усложнил задачу, ставшую слишком лёгкой. Серого меньше, а монитор skill gain к концу семестра выше, чем в шагах 1–3 (примерно 0.21 против 0.17).

Словарь основных терминов модели

Термин на английском Термин на русском Определение
Student Студент Агент-человек. Имеет умение (skill), активность (activity) и энергию (energy). Выбирает статьи, работает с ними, улучшает их и учится
AI participant (ai-agent) ИИ-участник Агент с фиксированным умением и активностью. Не учится, не устаёт. Тип задаётся параметром ai-role
Article Статья Объект совместной работы. Имеет сложность (complexity), качество (quality), жизненность (vitality) и возможности для вклада (reward)
Skill Умение Уровень развития студента от 0 до 1. В начале распределён так, что в группе больше новичков (среднее около 0.4). Растёт только при работе в полосе развития
Complexity Сложность статьи Понятийная трудность статьи без всякой помощи, от 0 до 1
Quality Качество статьи Насколько хорошо статья написана. Растёт, когда участники её улучшают, и медленно снижается со временем. Делится на часть, написанную людьми (quality-h), и часть, написанную исполнителем (quality-ai)
Support Поддержка тьютора Временный слой помощи на статье. Положительная поддержка облегчает статью, отрицательная усложняет. Угасает каждый такт
Effective complexity (c_eff) Эффективная сложность Сложность статьи с учётом всей помощи: c_eff = complexity × (1 − 0.5 × quality − ai-scaffolding × support). Именно она решает, справится ли студент
Development band Полоса развития Диапазон эффективной сложности от умения студента минус 0.2 до умения плюс 0.2. В полосе студент справляется и учится; выше полосы неудача; ниже полосы слишком легко
Zone of Proximal Development (ZPD) Зона ближайшего развития (ЗБР) По Выготскому: расстояние между тем, что ученик делает сам, и тем, что он делает в сотрудничестве. В модели: статьи, с которыми студент справляется только с помощью (категории ZPD-H и ZPD-AI)
Independent reach Самостоятельный охват (уровень актуального развития) Доля живых статей, с которыми студент справился бы сам, без всякой помощи
Assisted reach Охват с помощью (уровень возможного развития) Доля живых статей, с которыми студент справился бы со всей доступной помощью
ZPD width Ширина зоны Разность охвата с помощью и самостоятельного охвата
Interiorised pair Интериоризированная пара Пара «студент, статья», где первый успех был с помощью, а позднее студент справился сам. Операционализация принципа «сегодня с помощью, завтра сам»
Contingency Контингентность Подстройка помощи под уровень ученика. Тьютор целится в сложность «среднее умение студентов рядом плюс zpd-target»
Fading Угасание помощи Постепенное снижение поддержки: тьютор уменьшает её, когда студенты растут, а без тьютора она угасает сама
Problematizing Проблематизация Усложнение задачи, ставшей слишком лёгкой (отрицательная поддержка). Включается переключателем tutor-challenges?
Mutualism Мутуализм Взаимовыгодная связь студентов и статей: работа студентов повышает качество и жизненность статьи, а качество статьи облегчает её для других
Vitality Жизненность статьи Насколько статья «жива» в обсуждении курса. Растёт от работы с ней, снижается без работы. Статьи с большей жизненностью чаще выбирают
Reward Возможности вклада Сколько полезной работы ещё можно сделать в статье. Участники её расходуют, со временем она восстанавливается. Исполнитель забирает её у студентов, тьютор нет
Renewal Обновление статьи Увядшая статья переписывается заново одним из авторов рядом с ней. Новая сложность ставится у верхнего края зоны автора
Withdrawal Снятие ИИ Отключение ИИ-участников во время прогона (переключатель ai-present? или параметр ai-withdraw-tick). Проверка того, что осталось у студентов
Tick Такт Единица времени модели. Прогон длится 150 тактов, что соответствует одному семестру

Как студент работает со статьёй

За один такт каждый студент:

  1. смотрит на статьи в радиусе восприятия (perception-radius);
  2. выбирает одну из них: чаще те, что «живы» и в которых раньше была удачная работа;
  3. сравнивает эффективную сложность статьи со своим умением;
  4. если статья в полосе развития, справляется, может её улучшить и учится; если выше полосы, терпит неудачу; если ниже, справляется, но не учится;
  5. тратит энергию; при нехватке энергии переходит в покой и затем возвращается.

Расстояние до статьи вычисляется трижды:

  • d_ind = complexity − skill: без всякой помощи;
  • d_hum = complexity × (1 − 0.5 × quality-h) − skill: с текстами, написанными людьми;
  • d_eff = c_eff − skill: со всей помощью; только оно решает успех и обучение.

Сравнение трёх расстояний и даёт категорию визита и цвет статьи на экране.

Что делает тьютор

  1. Приходит к статье и смотрит на активных студентов рядом.
  2. Вычисляет цель: среднее умение студентов + zpd-target (с ошибкой diagnosis-noise).
  3. Сдвигает поддержку к уровню, при котором эффективная сложность равна цели, со скоростью support-rate.
  4. Если статья слишком лёгкая и включён tutor-challenges?, поддержка становится отрицательной: статья усложняется.
  5. Между визитами поддержка угасает (support-decay).

Важное допущение модели: тьютор знает умение студентов с точностью до diagnosis-noise. Это навязанное допущение, а не утверждение о реальных системах.

Переменные

Параметры ИИ-участников

Переменная Элемент интерфейса Диапазон (по умолчанию) Интерпретация
num-ai Слайдер 0–10 (0) Число ИИ-участников; 0 означает группу без ИИ. ИИ-участники добавляются к студентам, а не заменяют их
ai-role Список performer / tutor (tutor) Тип всех ИИ-участников прогона
ai-present? Переключатель on / off (on) Выключение во время прогона снимает ИИ без перезапуска модели
ai-withdraw-tick Слайдер 0–150 (0) Такт автоматического снятия ИИ; 0 означает «никогда»
ai-skill Слайдер 0.5–1 (0.9) Умение ИИ-участника; не меняется
ai-activity Слайдер 0.1–1 (0.9) Вероятность того, что ИИ-участник действует в данном такте
ai-authoring? Переключатель on / off (on) Может ли исполнитель писать новые статьи при обновлении
tutor-challenges? Переключатель on / off (off) Может ли тьютор усложнять слишком лёгкие статьи (проблематизация)
zpd-target Слайдер 0–0.2 (0.15) Насколько выше среднего умения студентов тьютор держит задачу; 0.2 соответствует верхнему краю полосы
diagnosis-noise Слайдер 0–0.2 (0.05) Ошибка, с которой тьютор оценивает умение студентов
support-rate Слайдер 0–1 (0.3) Как быстро тьютор подстраивает поддержку за один визит
support-decay Слайдер 0–0.1 (0.02) Доля поддержки, которая угасает за такт
ai-scaffolding Слайдер 0–0.5 (0.5) Вес поддержки тьютора в эффективной сложности

Параметры группы и вики

Переменная Элемент интерфейса Диапазон (по умолчанию) Интерпретация
num-students Слайдер 5–100 (30) Число студентов
num-articles Слайдер 10–200 (98) Число статей
cluster-count Слайдер 1–10 (6) Число тем; статьи одной темы расположены рядом
cluster-spread Слайдер 0.5–8 (3) Насколько широко разбросаны статьи одной темы
perception-radius Слайдер 1–20 (6) Сколько статей вокруг себя видит участник
activity-mean Слайдер 0.05–0.95 (0.3) Средняя активность студентов
activity-concentration Слайдер 0.5–20 (2) Насколько студенты похожи по активности; меньше значит больше различий
skill-growth Слайдер 0–0.2 (0.115) Скорость обучения в полосе развития
mutualism-strength Слайдер 0–1 (0.45) Насколько сильно работа участника улучшает статью
visit-cost Слайдер 0–0.5 (0.05) Затраты энергии на одну работу со статьёй
adaptation-rate Слайдер 0–10 (5) Как быстро студенты перестраивают выбор статей по прошлому опыту
regeneration-rate Слайдер 0–0.5 (0.2) Скорость восстановления возможностей вклада в статье
renewal-rate Слайдер 0–0.2 (0.05) Вероятность того, что увядшая статья будет переписана в данном такте
offspring-sd Слайдер 0–0.2 (0.14) Разброс сложности переписанной статьи

Фиксированы в коде (как в MUTUS v1.0): ширина полосы развития 0.2 вниз и 0.2 вверх, вес качества текста 0.5, длина прогона 150 тактов.

Переключатели механизмов

Переключатели позволяют включать и выключать механизмы модели по одному.

Переключатель Что выключается
trait-matching? Полоса развития: все статьи становятся одинаково доступными, зоны и цвета теряют смысл, обучение останавливается
feedback? Мутуализм: работа студентов перестаёт улучшать статьи
adaptive-foraging? Студенты перестают учитывать прошлый опыт при выборе статей
trait-development? Студенты перестают учиться
renewal? Увядшие статьи не переписываются (по умолчанию выключено)

Графики и мониторы

График или монитор Что показывает
Two levels of development Самостоятельный охват (alone), охват с помощью (with help) и ширину зоны между ними
Who opens the zone Доли визитов по семи категориям за последние 10 тактов: кто открыл студенту зону и где задача слишком лёгкая
Skill and help Среднее умение студентов, качество, написанное людьми и ИИ, среднюю поддержку тьютора (ниже нуля означает усложнение)
Watched student Умение выбранного студента, его самостоятельный охват и охват с помощью
skill gain Средний прирост умения студентов с начала прогона
ZPD by AI (10t), raised by tutor (10t) Доли визитов в зоне, открытой ИИ, и в зоне, удержанной усложнением тьютора
interiorised pairs Число интериоризированных пар
human service share Доля улучшений статей, сделанных студентами, а не ИИ
human authorship Доля переписанных статей, написанных студентами
fail rate Доля неудачных визитов студентов

Что наблюдалось в пробных прогонах

Числа ниже взяты из небольшого числа пробных прогонов (10 на условие, 150 тактов, 6 ИИ-участников, renewal? выключен; доли визитов студентов по категориям). Это иллюстрация того, что можно обсуждать, а не результат исследования. В интерфейсе каждый прогон идёт с новым случайным зерном, и отдельный прогон может отличаться.

Условие Прирост умения ZPD-AI CHAL-AI EASY-OWN EASY-AI Доля улучшений, сделанных людьми
Без ИИ 0.17 0 0 0.66 0 1.00
Исполнитель 0.165 0.03 0 0.49 0.17 0.59
Тьютор, только помощь 0.17 0.002 0 0.65 0.006 1.00
Тьютор, помощь и усложнение 0.21 0.002 0.24 0.49 0.003 1.00

Наблюдения для обсуждения:

  • Без ИИ сообщество само делает статьи доступными: к середине семестра большинство визитов слишком лёгкие. В этом мире не хватает не помощи, а трудности.
  • Тьютор, который умеет только помогать, почти ничего не делает: оранжевых статей мало. Он остаётся «незначимым другим», и это правильно, потому что помощь не нужна.
  • Тьютор, который умеет и усложнять, удерживает задачи у верхнего края зоны, и умение растёт быстрее.
  • После снятия такого тьютора на такте 75 статьи снова становятся слишком лёгкими (доля EASY-OWN растёт примерно с 0.54 до 0.86): усложнение принадлежало ситуации и не стало «своим» у студентов.
  • Исполнитель быстро повышает качество текстов, но делает часть задач слишком лёгкими и забирает у студентов работу.

Ограничения модели

  • ИИ-участник не является языковой моделью и не порождает текст; его помощь выражена числами.
  • Студенты не общаются друг с другом и с ИИ напрямую: всякое взаимодействие опосредствовано статьёй.
  • Тьютор знает умение студентов с точностью до diagnosis-noise: это навязанное допущение.
  • Поддержка тьютора относится к статье и одинакова для всех студентов рядом.
  • Категории визитов являются конструкцией модели; успешный визит не равен доказанному обучению.

Связанные модели

  • MUTUS: базовая модель мутуалистических связей студентов и статей вики; MUTUS HAI сохраняет её вычислительное ядро без изменений.
  • STiMUS и STiMUS-HAI: модели командной работы с общим цифровым артефактом, в том числе с ИИ-участниками: https://github.com/patarakin/STiMUS
  • Piaget–Vygotsky Game (Abrahamson, Wilensky), библиотека моделей NetLogo.
  • Small group discussion: модель обсуждения в малой группе с зоной ближайшего развития как зоной допустимых различий в убеждениях.

Литература