Штучний інтелект і студенти – як вчити(ся) і формувати критичне мислення, використовуючи ШІ?

Я завжди починаю розмову зі студентами та викладачами з одного питання: скільки з того, що ви вчили чи навчали когось іншого торік, ще актуально сьогодні? Ще два роки тому освітяни переважно обговорювали генеративний штучний інтелект і намагалися зрозуміти, що робити з ChatGPT.

Сьогодні технологічний ринок уже говорить про AI-агентів – системи, які здатні не просто відповідати на запитання, а й автономно виконувати послідовність завдань.

Технологічний простір змінюється кожні два-три місяці. Здатність моделей подвоюється приблизно кожні сім місяців. Для освіти це означає, що дискусія "дозволяти чи забороняти ШІ" фактично втратила актуальність.

Натомість головним стає інше питання: як побудувати навчання так, щоб ШІ допомагав людині вчитися? Ми більше не вчимо "як отримати відповідь", ми вчимо керувати діями й перевіряти їх.

Парадокс продуктивності: швидше не означає краще

ШІ справді пришвидшує окремі завдання. Але швидше виконане завдання не означає краще засвоєний матеріал – це показує дослідження Anthropic, у якому взяли участь 52 інженери (переважно junior-спеціалісти), які вивчали нову бібліотеку Python. Розробники виконували завдання з асинхронного програмування – частина з підказками ШІ-асистента, частина без нього. Після завдань усіх чекав тест на розуміння матеріалу. Ті, хто працював із ШІ, показали на тесті результат приблизно на 17% нижчий за тих, хто писав код самостійно. При цьому час виконання завдання статистично майже не відрізнявся. Найбільший розрив – у дебагінгу, тобто в умінні зрозуміти, чому код не працює, ідентифікувати помилки.

Це і є головний ризик. Людина може отримати з допомогою ШІ робочий код, переконливе есе або правильну формулу, але не розуміти, чому відповідь саме така, де її слабкі місця і як захистити чи пояснити результат. AI-рішення можуть значно підвищувати продуктивність, але лише за умови, що спеціаліст контролює процес, перевіряє результат і відповідає за нього. Сліпе делегування прискорює виконання окремого завдання, однак поступово послаблює експертизу.

Тому моє правило просте: делегуйте, але відповідайте за результат. Якщо ви делегували завдання і не можете пояснити, чому рішення саме таке, – це погана ознака. Не тому, що воно не працює. А тому, що ви не можете його відстояти.

Стеля можливостей росте, надійність – ні

Те, що ШІ-модель уміє щось зробити, – не означає, що ми можемо довіряти результату без перевірки. Незалежна дослідницька організація METR вимірює здатність моделей через "часовий горизонт" – довжину завдання, яке модель здатна виконати самостійно з певною ймовірністю успіху.

За екстраполяцією тренду METR, до кінця 2026 року найпотужніші моделі можуть наблизитися до 16-годинного горизонту при 50% успіху. Але 50% успіху – це як питання, чи зустрінемо ми сьогодні на вулиці динозавра: або так, або ні. Якщо підняти планку до 80% надійності – тобто реально можна покластися на результат, – горизонт падає до приблизно трьох годин. Чому так відбувається?

Уявіть, що модель відповідає правильно з імовірністю 95% на кожному кроці. Для одного питання це чудовий результат. Але якщо потрібно виконати послідовність із п'яти кроків поспіль, сукупна ймовірність правильності всього ланцюжка падає. Помилки не додаються – вони помножуються.

Це і є найважливіший практичний висновок для навчання: що довшим і складнішим є завдання, яке студент делегує ШІ, то менше можна довіряти результату без перевірки – навіть якщо кожен окремий крок виглядає переконливо. Тому вміння перевіряти результат і мати критичне мислення – це вже не другорядна навичка. Саме тому в завданнях варто вимагати не готову відповідь, а докази того, що студент цю відповідь перевірив і розуміє.

Як навчатися разом із ШІ

Найпродуктивнішою для навчання є гібридна модель: людина визначає мету й керує процесом, а ШІ пояснює, пропонує варіанти, допомагає виконувати окремі кроки та критикує результат.

Учням і студентам варто виробити простий цикл роботи: поставити завдання → отримати відповідь → перевірити джерела й логіку → попросити модель розкрити слабкі місця → додати персональну думку → пояснити її іншій людині.

Корисно також просити ШІ не давати готової відповіді, а ставити запитання, підказувати наступний крок або грати роль критика і так згенерувати фінальну версію.

Три конкретні приклади того, як я перебудовував завдання для студентів:

• Програмування. Було: "Напишіть функцію X". Стало: згенеруйте код за допомогою ШІ, поясніть кожен його блок, знайдіть помилку, обґрунтуйте альтернативу.
• Гуманітарні дисципліни. Було: "Напишіть есе на тему Y". Стало: згенеруйте чернетку, скритикуйте її, знайдіть найслабшу тезу, додайте контраргумент із джерелом.
• Аналіз і математика. Було: "Розв'яжіть задачу Z". Стало: візьміть розв'язок від ШІ, перевірте його на межовому випадку, поясніть, де він міг би помилитися".

Так ШІ перестає бути "виконавцем домашнього завдання" і стає матеріалом для аналізу.

Один прийом, який добре працює, – навмисно закладати в завдання помилку чи слабке припущення. На одному із курсів, які я вів, у частину домашніх завдань я цілеспрямовано вставляв помилки в код – і дивився, хто їх знайде.

За моїм досвідом, лише приблизно 15% людей перевіряли запропонований розв'язок настільки уважно, щоб побачити закладену проблему. Це і є та межа, яка відділяє механічне виконання від справжнього критичного мислення – і саме цю навичку варто цілеспрямовано тренувати.

Був і зворотний приклад: один зі студентів навмисно "саботував" результати своєї роботи, щоб перевірити, наскільки добре агент-валідатор здатний це підловити. Я показав цей кейс іншим студентам як приклад – не механічного виконання, а мислення про систему, а не тільки про завдання. Після цього подібні ідеї почали з'являтися в інших роботах.

Викладач має жити в тому самому циклі, що й студенти

Викладач також може використовувати ШІ: для створення кількох рівнів складності, адаптації матеріалу, підготовки запитань, первинного аналізу робіт або перевірки їх за визначеними критеріями.

Наприклад, система може опрацювати роботу студента і сформувати персоналізовані уточнювальні запитання: чому обрано цей метод, як зміниться результат за інших умов, де є слабке припущення. Відповіді на такі запитання краще показують рівень розуміння, ніж початкова робота, яку можна було повністю згенерувати.

Але повністю передавати ШІ виставлення оцінок небезпечно. Модель може допомогти нормалізувати критерії, знайти невідповідності або підготувати попередній фідбек, проте остаточне рішення має залишатися за викладачем. Системи ШІ здатні давати дуже переконливі, логічно оформлені, але помилкові відповіді. Що складніша тема, то більше для перевірки потрібен справжній експерт.

Важливо, що викладач повинен користуватися інструментом сам, а не тільки розповідати про нього. Промптинг може змінитися вже за кілька місяців. Назви інструментів і моделей – тим більше. Натомість залишаються актуальними базові навички, критичне та системне мислення, здатність навчатися, працювати з невизначеністю, перевіряти інформацію, пояснювати рішення та відповідати за результат.

Саме тому головною функцією викладача в епоху ШІ залишається не передавання готових знань. Його роль – створити середовище, у якому студент не може сховатися за переконливою відповіддю алгоритму, а мусить думати, перевіряти, аргументувати й робити власні висновки.

ШІ піднімає планку навчання, адже тепер цінним стає не той, хто першим отримав відповідь, а той, хто здатний зрозуміти її, перевірити й перетворити на відповідальне рішення.

Олексій Реутов, AI & Data Science Delivery Excellence Lead в SoftServe, спеціально для УП. Життя