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. 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.

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.

Обсуждение ключевых понятий

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.