Систематизация образовательных практик взаимодействия людей и генеративных ИИ-агентов

Материал из Поле цифровой дидактики


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


AI content generation 06062023, AI content generation 27032024, AI content generation 28062023, Antisummit МГПУ 2024, CREATIVE LEARNING IN THE CONTEXT OF ELECTRONIC COMMUNICATION NETWORKS, Creating Active Essays Using Agent Models, Data Growth in Educational Simulation Communities, Data in Education Seminar/19 12 2024, Data in Education Seminar/28 02 2024, Data in Education Seminar/31 05 2023, Development of computational thinking based on collective interaction in MediaWiki and multi-agent approach, Dynamic Learning Environments: Creating Courses with Semantic MediaWiki, Exploring Management Processes with Agent-Based Models, MathCat-2023 МГПУ, MathCat-2024 МГПУ, Models Communities, Patterns of Technology in Education, Red Brick Fest 2024 МГПУ, Simulation models on the field of computational didactics, Transforming Teaching Practices, Vygotsky as a person to think with about computer science and psychology, Алгоритмы - скрещиваем Snap! и Wiki, Алгоритмы и структуры данных - промежуточный отчёт, Аналитика совместной деятельности и поведения отдельных пользователей, Блок-схемы и данные, Введение в курс Алгоритмы и структуры данных, Введение в курс Проектирование и разработка приложений, Вики - коллективная работа со знаниями, Вики как лаборатория совместной деятельности, Генеративный ИИ естественно-научного контента, Генеративный искусственный интеллект- новая Черепашка, помогающая думать, Генерация учебных задач при помощи генеративных моделей, Измерение командности в социо-технических системах, Инструмент или соавтор? Роль генеративного искусственного интеллекта в работе над групповыми письменными, Использование генеративного искусственного интеллекта для формирования вычислительного мышления школьников, Использование сред агентного моделирования для изучения городской среды, История Летописи.ру 2006 - 2025 на основе цифровых следов, История совместной учебной деятельности на поле цифровой дидактики 2022 - 2026, История цифровых сред коллективного познания от идей Выготского к Wiki и Git, Коллективное представление знаний внутри систем медицинского образования, Лаборатории изучения командного творчества подростков в цифровых средах, Мастер-класс «Совместная работа со знаниями на поле цифровой дидактики», Многоагентные модели в составе активных эссе на поле цифровой дидактики, Объединение языков многоагентного моделирования в учебном процессе на базе MediaWiki, Объединение языков многоагентного моделирования в учебном процессе на базе MediaWiki (Robbo-2023), Очная сессия в САМГМУ, Построение сетевых сообществ. Введение, Программирование роботов - Snap!, Программирование робототехнических устройств (Введение), Проект «Мастерская знаний» Института ИИ МГУ… следующие результаты

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 супермозга, то есть систем, интеллект которых превосходит сумму компонентов благодаря правильной организации коммуникации и распределения задач.

 Description
Человеко-машинная командаЧеловеко-машинная команда — это система совместной деятельности, в которой люди и машины (в том числе искусственный интеллект и робототехнические устройства) выступают партнёрами в решении задач, активно координируют свои действия и разделяют ответственность за результаты. В такой команде машина не просто инструмент, а агент, способный извлекать знания, учиться на опыте, формировать и проверять гипотезы, а также принимать решения вместе с человеком.

Ключевым ориентиром здесь становятся 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.

 Description
ТурчинВалентин Фёдорович Турчин - физик и кибернетик, создатель языка Рефал и новых направлений в программировании и информатике
Феномен науки: Кибернетический подход к эволюцииВ книге изложена концепция метасистемного перехода и с ее позиций прослеживает эволюцию мира от простейших одноклеточных организмов до возникновения мышления, развития науки и культуры.

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.

  1. 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.
  2. 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:

  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
WebGridWebGrid - 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 матрицаВеерная 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
  1. 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.
  2. Manseau, J. (2025). Understanding The Effects Of AI Tasks And Social Deskilling: An Agent-Based Model. https://aisel.aisnet.org/amcis2025/sigadit/sigadit/4/
  3. Newton, O. B., Saadat, S., Song, J., Fiore, S. M., & Sukthankar, G. (2024). EveryBOTy Counts: Examining Human–Machine Teams in Open Source Software Development. Topics in Cognitive Science, 16(3), 450–484. https://doi.org/10.1111/tops.12613
 Description
HUMATHUMAT (Human Motives, Social Exchange and Network Dynamics) — это интегрированный каркас моделирования, разработанный для симуляции социальной динамики в агентно-ориентированных моделях. Каркас объединяет теоретические представления о человеческих мотивах, когнитивном диссонансе, индивидуальных и социальных стратегиях принятия решений, а также процессах влияния, происходящих в сетевых сообществах. HUMAT не навязывает предопределённую структуру сети, а позволяет агентам самостоятельно решать, с кем устанавливать связи. Ключевыми факторами являются:
  • Гомофилия — принцип "подобное притягивает подобное"
  • Репутация — доверие к источнику информации
  • Динамические изменения — возможность разрыва связей и формирования новых на основе изменения мнений


Классическая модель формирования команд

Формирование гигантской компоненты МЭШ

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.

Источник — http://digida.mgpu.ru/index.php?title=Систематизация_образовательных_практик_взаимодействия_людей_и_генеративных_ИИ-агентов&oldid=31888