Систематизация образовательных практик взаимодействия людей и генеративных ИИ-агентов

Описание события	Доклад "Систематизация образовательных практик взаимодействия людей и генеративных ИИ-агентов посредством различных способов представления и моделирования совместной деятельности" Патаракин Е.Д, Буров В.В. (Московский городской педагогический университет)
Тип события	Доклад
Начало	2025-09-22T16:15:44.000Z
Окончание	2025-09-22T16:30:44.000Z
color	orange
Адрес события
Видео запись события
Среды и средства, которые использовались в рамках события	NetLogo
Формируемые в рамках события компетенции
Область знаний	Педагогика, Моделирование
Местоположение	55° 59' 42.48" N, 92° 48' 6.10" E
Формат реализации	Гибрид

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.

Эксперимент 1

В первом эксперименте участникам (студентам вузов) были предложены средства, которые они чаще всего используют при написании курсовых и выпускных квалификационных работ:

1. ChatGPT
2. ConsultantPlus,
3. Cyberleninka
4. eLIBRARY.RU
5. Google Scholar
6. ResearchGate
7. Wikipedia
8. 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:

1. «Недостоверность» <--> «Достоверность»
2. «Популярность» <--> «Научность»
3. «Сложность» <--> «Удобство»
4. «Ограниченность» <--> «Объем информации»,
5. «Статичность»<--> «Диалог»
6. «Медленно» <--> «Быстро»
7. «Платно» <--> «Бесплатно»
8. «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.

Эксперимент 2

В рамках второго эксперимента в качестве исходных элементов решетки были взяты наиболее известные и доступные для студентов университетов языковые модели

1. Bert,
2. DeepSeek
3. GigaChat GPT-4
4. Llama
5. Mistral
6. Qwen
7. YandexGPT.

Аналогично первому эксперименты, в ходе групповой дискуссии были выработаны релевантные полярные конструкты:

1. «Медлительность» <--> «Быстрый отклик»
2. «Непрозрачность работы» <--> «Прозрачность работы»
3. «Не вызывает доверия» <--> «Вызывает доверие»
4. «Шаблонность» <--> «Креативность»
5. «Потеря контекста» <--> «Понимание контекста»
6. «Специализированность»<--> «Универсальность»
7. «Закрытость» <--> «Открытость»
8. «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 WebGridPlus.

	Description
WebGrid	WebGrid - это система представления концепций, которая помогает выявлять и анализировать ментальные модели отдельных людей, группы или сообщества в определённых областях знаний. В основании инструмента лежит теория персональных конструктов Джорджа Келли

Веерная матрица

Description

Веерная матрица

Веерная матрица — таблицы, используемые в методологии, семиотике, теории классификаций для описания таксономий и онтологий. В веерных матрицах по горизонтали стоят понятия (например, неживое, живое, обладающее психикой), по вертикали — соответствующие прилагательные соответственно — физический, химический, психологический), а на пересечении оказываются получившиеся из пары существительное-прилагательное понятия (биофизика — физический подход к живому). Метод строится на двух взаимно-ортогональных осях, каждая из которых содержит градуированное множество однородных категорий. Пересечение строк и столбцов порождает ячейки, где фиксируются существующие или потенциальные понятия; главная диагональ отображает «чистые» сочетания, а вне-диагональные клетки выявляют гибридные поля и прогностические лакуны. Согласно методологии Чебанова, особую ценность представляют ячейки матрицы, которые расположены вне главной диагонали и указывают на потенциальные области развития.

Таблица 1. Веерная матрица взаимодействия агентов различной природы

Типы агентов / Виды работ	Отдельный человек	Команды людей	Системы ИИ	Гибридные команды
Индивидуальная работа	Область саморефлексии и личностного развития	Работа с отдельными участниками команды	Использование ИИ-ассистентов	Персонализация в гибридной среде
Командная работа	Включение человека в команду	Анализ командных процессов и сетевого анализа	Оркестрация ИИ-систем	Командная динамика человек–ИИ
Автоматизированная работа	Автоматизация индивидуальных процессов	Автоматизация командных процессов	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	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.

Понятие	Определение
Socio-semantic network / Социо-семантическая сеть	Сетевая структура, объединяющая социальные связи между людьми и семантические отношения между концептами, которые они используют в коммуникации
Semantic network / Семантическая сеть	Графическое представление знаний в виде узлов (концепты) и связей (отношения), используемое для моделирования структуры значений
Social network / Социальная сеть	Структура социальных связей между акторами (людьми, группами, организациями), представленная в виде графа
Concept usage network / Сеть использования концептов	Двухмодальная сеть, показывающая связи между индивидами и используемыми ими концептами или терминами
Semantic association / Семантическая ассоциация	Связь между понятиями, основанная на их смысловой близости или совместном использовании в дискурсе
Human-Machine Team (HMT) / Человеко-машинная команда	Коллаборативная система, в которой люди и искусственные агенты работают вместе для достижения общих целей
Collaborative Intelligence / Коллаборативный интеллект	Синергетическое взаимодействие человеческого и искусственного интеллекта для решения задач, превышающих возможности каждого по отдельности
Mixed-initiative interaction / Смешанная инициативность	Гибкая стратегия взаимодействия, при которой инициатива в решении задач может переходить между человеком и машиной
Human-AI collaboration / Человеко-ИИ коллаборация	Стратегическое партнерство между человеческим интеллектом и системами ИИ для достижения превосходных результатов
Shared Mental Models (SMM) / Общие ментальные модели	Согласованное понимание задач, ролей и процедур между участниками команды (людьми и ИИ-агентами)
Trust calibration / Калибровка доверия	Процесс настройки уровня доверия человека к ИИ-системе в соответствии с её реальными возможностями
Multi-Agent System (MAS) / Многоагентная система	Вычислительная система, состоящая из множества взаимодействующих интеллектуальных агентов, каждый с собственными целями и возможностями
Distributed Artificial Intelligence (DAI) / Распределённый искусственный интеллект	Подход к решению задач ИИ через распределение вычислений и принятия решений между множеством автономных агентов
Agent autonomy / Автономность агента	Способность агента принимать решения и выполнять действия независимо, основываясь на собственных знаниях и целях
Agent communication / Коммуникация агентов	Обмен информацией между агентами для координации действий и достижения общих целей
Swarm intelligence / Роевой интеллект	Коллективное поведение децентрализованных самоорганизующихся систем, проявляющее интеллектуальные свойства
Collective intelligence / Коллективный интеллект	Усиленные когнитивные способности, возникающие из сотрудничества множества индивидов или агентов
Agent-Based Model (ABM) / Агентная модель	Вычислительная модель для симуляции действий и взаимодействий автономных агентов с целью оценки их влияния на систему
Autonomous agent / Автономный агент	Вычислительная сущность, способная воспринимать окружение, принимать решения и действовать для достижения целей
Agent environment / Среда агентов	Пространство (виртуальное или физическое), в котором функционируют агенты и с которым они взаимодействуют
Emergent behavior / Эмерджентное поведение	Сложные паттерны и свойства системы, возникающие из простых взаимодействий между агентами
Agent coordination / Координация агентов	Процесс согласования действий агентов для эффективного решения задач и избежания конфликтов
Socio-technical system / Социотехническая система	Система, интегрирующая социальные и технические компоненты для достижения организационных целей
Joint activity / Совместная деятельность	Скоординированное взаимодействие участников (людей и машин) для достижения общих целей
Human-centered AI / Человеко-ориентированный ИИ	Подход к разработке ИИ-систем, ставящий человеческие потребности и ценности в центр дизайна
Intention recognition / Распознавание намерений	Способность системы определять цели и намерения пользователя на основе его действий и контекста
Situational awareness / Ситуационная осведомленность	Понимание текущего состояния среды и способность предсказывать будущие события
Knowledge representation / Представление знаний	Способ структурирования информации в форме, пригодной для автоматической обработки и рассуждений
Ontology / Онтология	Формальное описание понятий и отношений в определённой предметной области
Concept disambiguation / Разрешение многозначности концептов	Процесс определения точного значения многозначного термина в зависимости от контекста
Semantic similarity / Семантическое сходство	Мера близости значений между концептами или терминами
Topic modeling / Тематическое моделирование	Статистический метод выявления скрытых тематических структур в коллекциях текстов
Natural Language Processing (NLP) / Обработка естественного языка	Технология, позволяющая машинам понимать и генерировать человеческий язык
Multimodal interaction / Мультимодальное взаимодействие	Взаимодействие с использованием множественных каналов коммуникации (речь, жесты, визуальные элементы)
Adaptive interface / Адаптивный интерфейс	Интерфейс, который изменяется в зависимости от потребностей, предпочтений и поведения пользователя
Explainable AI / Объяснимый ИИ	ИИ-системы, способные предоставлять понятные человеку объяснения своих решений и действий
Feedback loop / Петля обратной связи	Механизм, при котором выходные данные системы влияют на её входные данные для улучшения производительности