Студент читает сложную статью и просит языковую модель пересказать её, подобрать аргументы и написать вывод. На экране появляется гладкий текст. Но сам студент мог не сделать главного: не сопоставить доводы, не проверить предпосылки и не сформулировать собственную позицию.

Это условный пример, а не описание конкретного эксперимента. Он помогает поставить вопрос: может ли ИИ ослаблять самостоятельное мышление, если регулярно выполняет за учащегося ту работу, ради которой и было задано упражнение? Три материала рассматривают этот риск с разных сторон: колонка Joshua Eyler обращается к педагогике Паулу Фрейре, отчёт Brookings Institution описывает возможные риски для обучения детей и подростков, а препринт Ricard Solé и соавторов строит математическую модель распространения зависимости. Ни один из этих материалов не доказывает, что массовое использование ИИ уже привело к снижению критического мышления студентов вузов.

Фрейре и готовый ответ

В колонке Inside Higher Ed Joshua Eyler обращается к «банковской» модели образования, описанной Паулу Фрейре в книге «Педагогика угнетённых». В такой модели преподаватель передаёт готовые знания, а учащийся принимает, запоминает и воспроизводит их. Eyler проводит параллель с использованием ИИ: когда система выполняет за студента анализ, подбор аргументов или написание текста, учащийся может получать готовый результат вместо того, чтобы самому проделать интеллектуальную работу.

«Фрейре называет эту репрессивную педагогику “банковской концепцией”: образование превращается в акт внесения вкладов, где студенты становятся хранилищами, а учитель вносит в них знания. Вместо общения учитель передаёт сообщения, а студенты терпеливо принимают, запоминают и повторяют их».

Это цитата из колонки Eyler, а не результат нового исследования. Автор не сообщает о собственной выборке или эксперименте. Его аргумент полезен как педагогический вопрос: оставляет ли учебная практика место для самостоятельного суждения? Но колонка не позволяет определить, насколько распространён возможный эффект и какова его величина.

Когда помощь становится заменой

В отчёте Brookings Institution «A New Direction for Students in an AI World: Prosper, Prepare, Protect» Mary Burns, Rebecca Winthrop, Natasha Luther, Emma Venetis и Rida Karim описывают риск «обеднённого обучения». Отчёт опубликован в январе 2026 года и посвящён прежде всего детям и подросткам, а не студентам вузов.

Авторы провели перспективный анализ рисков по методу «премортем»: интервью, фокус-группы и консультации с 505 учащимися, преподавателями, родителями, руководителями образования и специалистами по технологиям из 50 стран. Они также рассмотрели более 400 публикаций и привлекли экспертную панель Delphi из 21 человека. Такой подход помогает собрать возможные риски и способы их предотвращения, но сам по себе не устанавливает причинный эффект ИИ на обучение.

«ИИ обедняет обучение, когда ограничивает и ослабляет способности участников учебного процесса и взаимодействие между ними: студентами, преподавателями и содержанием».

Один из механизмов, который обсуждают авторы, связан с когнитивной разгрузкой: человек передаёт часть умственной работы внешнему инструменту. Это не обязательно вредно. Записи помогают не держать всё в памяти, а калькулятор снимает необходимость выполнять каждый расчёт вручную. Важно, сохраняет ли такая помощь возможность позже справиться с задачей самостоятельно.

Представим два варианта работы. В первом студент просит модель предложить контраргументы, затем сверяет их с источниками и пересматривает собственную позицию. ИИ даёт материал для анализа. Во втором студент без проверки принимает готовый текст. Результат может выглядеть убедительно, но студент почти не упражняется в построении аргумента.

Отчёт Brookings рекомендует дозировать использование ИИ и обращаться к нему там, где он усиливает, а не заменяет усилия и умственную вовлечённость учащегося. Авторы также прямо отмечают нехватку строгих экспериментальных и продольных исследований об образовательных эффектах ИИ. Поэтому их выводы следует читать как анализ возможных рисков, а не как доказательство того, что эти последствия уже наступили.

Что может показать математическая модель

Препринт Ricard Solé, Giulio Ruffini, Francesca Castaldo и соавторов «Large-Language Models as a Cognitive Virus» рассматривает не студентов и не результаты тестов на критическое мышление. Авторы строят математическую модель, чтобы исследовать, как практики использования больших языковых моделей могут распространяться в популяции.

В модели выделены три состояния: человек почти не использует языковую модель; использует её, сохраняя самостоятельное чтение, рассуждение и проверку; либо устойчиво делегирует ей когнитивные операции. Переходы между состояниями зависят от социального распространения практики, отказа от использования, формирования зависимости и восстановления самостоятельности.

«Мы моделируем переходы между пользователями, не использующими языковые модели, автономными пользователями и устойчиво зависимыми пользователями. Модель показывает, что социальное распространение, восстановление самостоятельности и коллективное подкрепление могут создавать пороговые переходы и технологическую фиксацию».

Один из возможных результатов модели называется гистерезисом: после перехода к зависимости для возвращения к прежнему состоянию может понадобиться сильнее ослабить факторы, которые поддерживали этот переход. Это можно представить как шарик в чаше: когда шарик оказывается в устойчивой впадине, простого изменения наклона может не хватить, чтобы вернуть его обратно.

Образ поясняет устройство модели, но не предсказывает, что произойдёт в конкретном университете. Модель использует однородное приближение и делит пользователей на отдельные состояния. Значения «когнитивной компетентности» авторы задают для иллюстрации, а не получают из измерений реальных студентов. Они указывают на необходимость дальнейших моделей, которые учитывали бы различия между людьми, реальные социальные сети и постепенные изменения самостоятельности.

Где заканчиваются доказательства

Вместе эти материалы поддерживают осторожный вывод: если ИИ регулярно заменяет самостоятельный анализ, аргументацию и проверку, он может сокращать практику этих навыков. Но это не то же самое, что доказать системное снижение критического мышления у студентов вузов.

  • Колонка Eyler предлагает педагогическую интерпретацию, но не является эмпирическим исследованием.
  • Отчёт Brookings собирает свидетельства и экспертные оценки, однако сосредоточен главным образом на школьниках и подростках. Его метод предназначен для выявления возможных рисков, а не для доказательства причинных эффектов.
  • Работа Solé и соавторов размещена как препринт, статус рецензирования не указан. Она моделирует возможную динамику, а не наблюдает за реальными студентами.

Чтобы проверить, меняет ли работа с ИИ критическое мышление студентов, нужны продольные и экспериментальные исследования. Они должны сравнивать разные режимы использования ИИ и проверять не только качество результата при доступном инструменте, но и способность выполнить задачу без него.

Гладкий текст сам по себе не показывает, чему научился его автор. Студент может быстрее подготовить работу, но это не говорит, способен ли он самостоятельно выделить проблему, оценить доказательства и обосновать вывод. Поэтому важно отдельно оценивать результат с ИИ и перенос навыка на задачу без ИИ.

Как сохранить самостоятельную работу

Источники указывают не на простой ответ «запретить или разрешить», а на значение устройства задания. Студент может сначала самостоятельно сформулировать вопрос, предложить гипотезу или записать предварительный вывод. Затем ИИ поможет найти слабое место или предложить контрпример. После этого студенту нужно сверить ответ с источниками и объяснить, что он изменил и почему.

Такой порядок оставляет за учащимся саму операцию мышления: модель подсказывает, но не принимает решение вместо него. Для оценки собственных привычек полезно спросить себя: могу ли я объяснить ход решения без текста модели? Какие утверждения я проверил по независимым источникам? Смогу ли я выполнить подобную задачу самостоятельно? Практический разбор того, как использовать генеративный ИИ для поиска и анализа литературы, подробнее рассматривает работу с инструментом в исследовательской задаче.

Пока источники позволяют говорить о риске, а не об установленном вреде для всех учащихся. ИИ может поддерживать учебную работу, если студент проверяет и перерабатывает его предложения. Если же модель формулирует проблему, проводит анализ и пишет вывод, самостоятельная практика может отойти на второй план. Именно это различие будущие исследования должны проверять на реальных учебных задачах.

Источники и статус материалов

  1. Eyler J. First, Let’s Safeguard the Project of Education. Inside Higher Ed, 3 ноября 2026 года. Авторская колонка, полный текст: https://www.insidehighered.com/opinion/columns/just-visiting/2026/11/03/first-lets-safeguard-project-education.
  2. Burns M., Winthrop R., Luther N., Venetis E., Karim R. A New Direction for Students in an AI World: Prosper, Prepare, Protect. Brookings Institution, январь 2026 года. Институциональный отчёт, полный текст: PDF отчёта Brookings.
  3. Solé R., Ruffini G., Castaldo F. и соавторы. Large-Language Models as a Cognitive Virus. arXiv:2609.03344, 3 сентября 2026 года. Препринт, статус рецензирования не указан. Страница работы и ссылки на полный текст.

Источники и литература

Схема различает поддерживающее использование ИИ, при котором студент проверяет и перерабатывает подсказки, и заменяющее использование, при котором модель выполняет когнитивные операции за него.

Фото: Yan Krukau / Pexels