Как я встречал день рождения в Шанхае?
В полном одиночестве ехал на велосипеде за 10 юаней в неделю после скучного дня на школе по ИИ в образовании.
Это Гриша, мы с ним как-то раз коворкали в странной чайной кафешке, а на втором этаже хозяева громко играли в маджонг.
1/ Про школу
Было нормально, не плохо и не хорошо — нормально:
- Мало-содержательно и мало-интересно.
- Участники были разнородный и разноуровневые.
- Приехали все в основном просто в Шанхай.
- Образовательно-практического контента и критического осмысления было мало.
- Весь первый день мы слушали лекции от мужчин высокого полёта, следующие пару дней трогали инструменты, делали постерные доклады и смотрели кейсы от коллег из Китая. Последнее было интересно, всё остальное было похоже на уроки английского, когда начинается тема «science» и нужно делать доклад.
- Я не знаю за что я заплатил орг.взнос, если проживание и перелёт в итоге оплачивал сам, а культурная программа ну не могла стоить по 30к с человека. Ну ладно.
- Слушать про идеи исследований коллег было интересно, но собственно их развитием мы не занимались, думать и говорить про ИИ нас не учили.
А тут вон даже сумка у меня есть (она на самом деле Гриши), типа для отчёта сфоткался. Хотя для кого отчёт? Платил я за всё сам и родители помогли.
2/Про всё остальное
Одним из ключевых докладчиков в первый день школы был академический руководитель ИнОбра Исаак Фрумин, его доклад был посвящён мэппингу академических публикаций на тему AIED (ИИ в образовании). 14 ноября статья наконец была опубликована и выйдет в январском выпуске Higher Education Quarterly, а уже сейчас доступна по ссылке.
Фрумин представил анализ 4145 публикаций о GenAI в образовании из базы Scopus за 2022–2024 годы. В 2023-м вышло 744 дискуссионных текста и 491 эмпирическое исследование. К концу 2024-го соотношение почти выровнялось: 1362 к 1317.
Методы предсказуемы. Опросы — 579 работ, интервью — 331, наблюдения — 71, фокус-группы — 55, этнография — 14. Сравнительных исследований между университетами — 1,48%, между странами — 0,71%. Большинство работ (59,2%) фокусируются на индивидуальном уровне — студенты, преподаватели. Институциональный уровень — 27,7%, национальный — 14%.
По темам: 26% публикаций посвящены академической честности, 23% — практикам преподавания и обучения, 6% — конкретным дисциплинам. Среди стран с наибольшим числом публикаций — китайскоязычные и арабоязычные аффилиации.
Выход статьи показался мне удачным поводом наконец осмыслить опыт участия в Школе и поговорить про китайский проект AIED.
Место проведения школы подобрано не случайно, когда говорят об искусственном интеллекте в образовании, Китай занимает особое место. Здесь масштабирование технологий происходит быстрее, чем где-либо ещё, а государство координирует цифровую трансформацию всех уровней обучения — от школы до университета. При этом китайский опыт интересен не столько «впечатляющими цифрами», сколько логикой сборки: ИИ приходит не как отдельная модель или сервис, а как конфигурация инфраструктур, платформ, норм и данных. «Китайская модель» это история про то, как государство, рынок, университеты и пользователи выстраивают новую экосистему, где машинное обучение становится частью повседневных образовательных практик.
В марте 2022 года Министерство образования Китая запустило National Smart Education Platform — централизованный портал, объединяющий ресурсы для школьного, среднего профессионального и высшего образования. На платформе smartedu.cn собраны курсы, учебные материалы, инструменты для учителей и аналитические сервисы. Логика здесь простая: вместо того чтобы каждый вуз или школа создавали собственную систему, государство предлагает общую инфраструктуру, где можно размещать контент, отслеживать прогресс и масштабировать практики. Это попытка стандартизировать доступ к образованию через цифровые каналы и, что важно, собрать данные о том, как учатся миллионы людей.
На одном из занятий мы работали с платформой для обучения английскому через дебаты с ИИ-ассистентом. Система устроена так: студент получает тему (например, «Should instructional design prioritize knowledge acquisition or skill development?»), готовит аргументы, затем ведёт структурированные дебаты с ИИ-оппонентом. Есть opening statements, cross-examination, open debate, closing statements (вступительные положения, перекрестные вопросы, открытые дебаты, заключительные положения.). После завершения система даёт обратную связь о качестве аргументации. Затем студент пишет эссе на основе всех высказанных позиций.
Вся работа идёт через встроенного AI Tutor — можно в любой момент написать @AI Tutor и задать вопрос. Дебаты управляются через команды вроде «@Debate Assistant Start Debate» или «@Debate Assistant Our Question». И это уже не эксперимент, а рабочий инструмент для языковых курсов, сервис внедрён и работает в ECNU и ряде других университетов, интересно, что под капотом API от OpenAI, а не национальные модели.
В повседневной жизни я столкнулся с тем, что мобильные приложения в Китае работают иначе. Сама логика архитектуры и интерфейса в них другие из-за культурных и лингвистических особенностей. Например, в мессенджерах ключевая функция не коммуникация, а финансовая транзакция. За пару дней до моей поездки команда 2GIS выпустила интересный материал на эту тему
WeChat — это мессенджер, платежная система, навигатор и пропуск в метро одновременно, ты не можешь жить в Китае и не иметь WeChat, это просто невозможно, приложение встроены в десятки ежедневных действий, с которыми сталкивается человек, одно из которых — обучение. Именно в это пересечение и встраивается ИИ. Rain Classroom (Yuketang) — разработка Университета Цинхуа — работает как гибридная система для смешанного обучения, она подключается прямо в WeChat как микросервис, что позволяет студентам получать учебные материалы, проходить тесты и общаться с преподавателями в привычном интерфейсе. При этом система собирает детальную аналитику: сколько времени студент провёл с материалом, на каких вопросах ошибся, как часто возвращался к лекции. Эта информация помогает преподавателям корректировать курс, но также создаёт плотный след данных о каждом студенте.
Ещё более массовой стала платформа Chaoxing (также известная как Xuexitong). Её используют сотни университетов для проведения онлайн-курсов, управления расписанием, тестирования и коммуникации во время занятий. Студенты отмечают в Chaoxing посещаемость, загружают ответы на задания, задают вопросы в учебном чате, преподаватели готовят материалы, проводят викторины и проверочные, а также следят за аналитикой, которую предоставляет ИИ-модель, на которой работает Chaoxing. На основе полученных данных платформа позволяет разделять студентов в группе на подгруппы по уровню освоения материала и генерировать задания разной сложности. При этом некоторые педагоги и исследователи образования из Китая критикуют Chaoxing за недостаточность такой data-driven аналитики и предлагают решения по доработке, в этих проектах система должна больше дифференцировать задания, особенности восприятия и уровень подготовки каждого студента чтобы образование было максимально персонализированным.
Пекинский университет разработал [собственную интеллектуальную обучающую платформу PKU Wenxue] (tab:https://journals.openedition.org/ries/17379), которая использует большие языковые модели и технологию RAG (Retrieval-Augmented Generation) для поддержки обучения. Студенты могут загружать учебные материалы, задавать вопросы AI-ассистенту, получать объяснения сложных понятий, а также использовать специализированные инструменты — например, MathCopilot для решения математических задач или Python-интерпретатор для отладки кода. Платформа не заменяет преподавателя, но становится постоянным помощником, который доступен 24/7 и адаптируется под запросы конкретного студента. Каждое такое решение создаёт огромные объемы данных, с одной стороны они выглядят полезными: какие темы вызывают трудности, как студенты формулируют вопросы, сколько попыток требуется для решения задачи; с другой — все ли студенты и преподаватели хотят участвовать в этом сборе?
На Школе я учился по треку «AI and Pedagogy», курировал работу нашей группы Майкл Фанги из Университета образования Гонконга. Его доклад в первый день Школы показался мне одним из самых интересных. Майкл изучает компьютерно-поддерживаемое совместное обучение (CSCL), классическая схема работала так: группа студентов создаёт общий документ и сама природа этого цифрового артефакта позволяет анализировать образовательные результаты студентов, исследователь смотрит на историю правок и видит, кто внёс какой вклад, где возникли споры, как распределились роли. Качество продукта коррелирует с качеством взаимодействия.
Генеративные ИИ модели сломали эту связь. Теперь фрагменты текста появляются без участия студента. Готовый документ может выглядеть отлично, но ничего не говорить об обучении. В ответ на это Фанги предлагает смотреть на мотивы: зачем студент обращается к ИИ — чтобы разобраться в материале или чтобы сэкономить время? По финальному тексту это не различить, а если сместить акценты оценивания с результатов на процесс, то студентам нужно будет адаптироваться под новые требования, создавать больше промежуточных шагов, показывать как они пришли к результатам и неизбежно вникать в суть происходящего, а не просто работать ассистентом кнопок ctrl+c — ctrl+v.
За пределами университетов быстро растёт коммерческий EdTech: например, китайская платформа адаптивного обучения Squirrel AI строит индивидуальные траектории за счёт алгоритмов — диагностирует пробелы, подбирает задания нужной сложности и корректирует обучение в реальном времени; по кейсу Stanford GSB компания открыла тысячи учебных центров по Китаю и обслуживает миллионы пользователей. На этом фоне персонализация становится конкурентным преимуществом «обучения как продукта», но требует постоянного сбора данных о каждом действии ученика, из-за чего возникают вопросы про справедливость доступа (не усиливает ли это разрыв между теми, кто может оплатить дорогие курсы, и учениками госшкол) и про безопасность данных детей. В 2025 усилилась интеграция больших языковых моделей: китайские университеты запускают курсы по работе с DeepSeek как локальной альтернативой западным LLM-сервисам, а государственное регулирование проявляется, например, во время гаокао (вступительные экзамены в вузы), когда AI-чатботы на платформах временно ограничивают функции (вплоть до отключения помощи в решении задач), чтобы снизить риск списывания — пример того, как практики управляются через сами платформы.
Вопрос о замене фигуры преподавателя, такой популярный в России 2020-тых, в современном Китае не стоит, и дело не только в технологических ограничениях, но в том, как устроена сама система отношений между образованием, данными и обществом. В Китае сложилась философско-политическая конфигурация, которая определяет технологический подход к ИИ в образовании. Возрожденная конфуцианская доктрина ставит общее благо выше индивидуальной приватности. Исследования показывают, что конфуцианские взгляды исторически предполагают высокую степень социального контроля и менее совместимы с западными представлениями о защите от надзора. В образовательном контексте китайские студенты и преподаватели демонстрируют более высокий уровень принятия технологий сбора данных, когда это связано с улучшением образовательных результатов. Это не означает полного отсутствия обеспокоенности — граждане Китая выражают опасения по поводу утечки данных, — но культурная рамка создаёт иной баланс между приватностью и коллективным благом. Именно этот культурный консенсус позволяет Chaoxing собирать данные о каждом клике без массового сопротивления.
Приведенные кейсы — от Chaoxing до PKU Wenxue, от дебатов с ИИ до адаптивного обучения Squirrel AI — показывают почти анекдотическое напряжение процесса и результата, которое сегодня существует в треугольнике отношений студент — преподаватель — образовательная институция, которое обостряется с массовым внедрением ИИ.
3/ Парадокс видимости
Все эти платформы объединяет одна логика — сделать процесс обучения видимым через данные. Но что именно они делают видимым?
Платформенные решения позволяют институциям собирать детализированные данные о процессе: сколько времени студент провёл с материалом, где ошибся, как часто возвращался к лекции, какие вопросы задавал AI-ассистенту. Создаётся впечатление полной прозрачности — каждое действие оставляет цифровой след. Но критические исследования learning analytics показывают, что данные о взаимодействии студентов с платформой — количество загруженных документов, участие в форумах, время доступа — слабо коррелируют с реальным обучением. Как отмечают исследователи, использование аналитики данных может привести к дегуманизации, поиску только поведенческих паттернов среди студентов без понимания "почему" за каждым поведением.
Это как с Duolingo — приложение отслеживает выполнение упражнений и накопление словарного запаса, но связь между временем в приложении и способностью использовать язык в реальной коммуникации всё ещё под вопросом. Платформы могут показать, что студент умеет решать конкретные типы заданий, точнее, что его пальцы могут ввести правильный ответ на клавиатуре. Но понял ли он логику решения, сможет ли применить её в новой ситуации — об этом данные молчат.
Проблема усугубляется тем, что в условиях доступности генеративных моделей данные теряют достоверность. GenAI позволяет студентам создавать работы, которые легко проходят проверку опытных академиков, при этом студенты могут сдать модуль без глубокого обучения. Невозможно отследить, придумал студент решение самостоятельно, списал, купил или использовал ChatGPT. Генеративный ИИ размывает границы между контентом, созданным с помощью ИИ, и работой самого студента. Институции собирают терабайты информации о кликах и времени, но упускают главное — произошло ли понимание. Герменевтический круг не катится.
Невидимая работа. Парадокс в том, что чем больше институции инвестируют в системы контроля, тем активнее студенты перемещают реальную интеллектуальную работу туда, где её не видно. Когда студенты используют ИИ-инструменты за пределами институционально-поддерживаемых платформ — обращаются к ChatGPT, Claude, DeepSeek — они полностью исчезают из поля зрения образовательной аналитики. Исследования показывают, что более трети студентов использовали чатботы для помощи с заданиями и не обязательно воспринимают это как нарушение академической честности.
Доклад Майкла Фанги на Школе показал эту проблему наглядно: генеративные модели сломали связь между процессом работы над документом и качеством результата. Раньше в computer-supported collaborative learning история правок показывала, кто что внёс, где возникли споры, как распределились роли. Теперь фрагменты текста появляются без участия студента. Использование ИИ сокращает путь к «отличному» результату, который формально соответствует всем критериям — структура логичная, аргументы убедительные. Но этот призрак отчёта не позволяет понять главного — научился ли студент чему-то? Генеративный ИИ создаёт возможности для аутентичного оценивания, бросая вызов убеждениям и критическому мышлению студентов, но при этом требует переосмысления самого понятия оригинальности работы.
Получается двойная слепота: платформы тщательно отслеживают тривиальные действия внутри своих границ, но не видят ключевые моменты интеллектуальной работы, которые всё чаще происходят в диалоге с ИИ за пределами контролируемой среды. Отношения между обучением и цифровыми следами, оставленными участниками онлайн-обучения, далеки от простых, и любая аналитика, которая полагается на эти следы как на показатели обучения, склоняется к бихевиористской оценке процессов обучения.
Китайский опыт показывает крайнюю форму этого парадокса: культурная готовность делиться данными ради общего блага сталкивается с фундаментальной неспособностью этих данных зафиксировать то, что составляет суть образования. Вопрос «научился ли студент чему-то?» остаётся без ответа не из-за недостатка данных — их избыток, может быть, суть обучения принципиально неизмерима через данные о поведении?
4/ Кого и что читать?
Если вас заинтересовала тема, то разобраться в китайском опыте, могут помочь исследователи. Например, Джереми Нокс из Оксфорда работает на стыке философии технологий и образования. В статье 2020 года он показал, что говорить о «единой китайской стратегии» ИИ в образовании — значит упрощать картину: на деле это сложное переплетение государственных директив, частных компаний, локальных инициатив и международных трендов. В книге 2023 года он углубляет этот анализ, исследуя, как образы будущего и память о прошлом формируют текущую политику. А в работе 2021 года Нокс обсуждает, как ужесточение регулирования частного образования в Китае влияет на развитие AI-технологий: контроль рынка не останавливает инновации, но меняет их направление и темп.
Ахмед Тлили, исследователь из Пекинского педагогического университета, работает с конкретными кейсами внутри системы. Его статья о PKU Wenxue показывает не только возможности AI-платформ, но и вызовы их внедрения: интеграция данных из разных источников, сопротивление изменениям среди преподавателей, необходимость многоязычной поддержки, вопросы безопасности и финансирования. Тлили помогает увидеть, что за красивыми презентациями «умных университетов» стоит сложная работа по согласованию технических, педагогических и управленческих решений.
Это мы с Гришой и Пабло собираемся на тусовку.
А это ЭйЙай, ну текст же про него)
