Эта статья - набор мыслей о влиянии искусственного интеллекта на ландшафт современного образования в смысле рисков и возможностей, которые он несёт. Мысли несколько сумбурные, но, как мне кажется, своевременные.

Процитирую свой же текст, опубликованный в телеграм-канале:

"В последнее время образовательное сообщество охватила паника, связанная с бессильностью по отношению к использованию AI для списывания. С проблемой столкнулись не только школы и сравнительно простые курсы университетского уровня, но и такие мастодонты как шад (https://habr.com/ru/articles/881858/). Высказаться о новом ландшафте образовательной реальности успели и Сальман Хан, и Эрик Шмидт, и Билл Гейтс.

Проблема не обошла стороной ни гуманитарные науки, ни западные университеты. Один из первых скандалов, связанных со списыванием, произошел в 2022 году, когда Даррен Хик, профессор философии университета Фурмана (США) с удивлением обнаружил курсовую работу, полностью написанную ChatGPT. В 2022 году это ещё было в новинку. Фурман распознал статическую нетипичность работы, а также методом пристального детективного анализа обнаружил колоссальное количество фактических ошибок в работе, ни одна из которых изначально не бросалась в глаза.

С тех пор всё стало хуже. LLM решают почти любые мыслимые задачи любой технической области, зачастую не оставляя явных артифактов своей работы. Звучали разные идеи по преодолению этого кризиса: от использования специальных ребусоподобных форматов заданий (капча и задача - 2 в 1) и попыток формулировать задания с учётом уязвимостей LLM до тотального возвращения к аналоговым форматам сдачи экзаменов.

И вот, терпение некоторых школ и университетов США лопнуло. FoxNews выпустили интересный материал, в котором пишут, что часть университетов, причем, в частности, больших и известных - Техасский, Беркли -  ведут активные закупки бумажных экзаменационных бланков, а многие школы переходят в оффлайн формат."

Сиюминутные проблемы современности

Status quo сегодняшнего дня состоит в том, что искусственный интеллект стал не только объектом изучения и преподавания, но и технологией, формирующей ландшафт образовательной среды. Здесь можно выделить несколько ключевых аспектов проблемы, с которой, насколько мне известно, сталкиваются авторы и продюсеры практически всех курсов университетского уровня, причем не только в области ИИ. Первый аспект состоит в том, что развитие технологий в последние годы имеет крайне динамичный характер: передовые методы развиваются с такой скоростью, что создание качественного обучающего материала может занять больше времени, чем необходимо на полное обновление мейнстрима.  Однако эта проблема не нова – любая живая область человеческого знания, в которой работает много квалифицированных и заинтересованных людей, в определенный момент своего развития становится крайне динамичной, поэтому я не стану акцентировать внимание на этой проблеме.

Второй аспект значительно интереснее. Впервые в истории образование столкнулось с возможностью студента использовать универсальную шпаргалку за 20$ в месяц. Последние разработки в области LLM во многом сосредоточены на обучении больших моделей ИИ сложным когнитивным навыкам, комплексным рассуждениям и решению нетривиальных математических задач. Уже на текущем уровне развития технологий списывание при помощи ИИ приобрело системный характер, приобретая иногда даже черты искусства. На мой взгляд, в ближайшие годы проблема совершенного списывания станет одной из центральных проблем образования во всем мире.

Какие же могут быть варианты борьбы с системным списыванием?

Первый вариант – возвращение систем контроля, в случаях, когда это возможно, к сугубо очным непосредственно контролируемым преподавателям форматам. Возможность напрямую следить за выполнением задания студентами исключает возможность использования сложных форм списывания, однако при этом существенно ограничивает формат заданий и усложняет процесс организации. Помимо этого, возникают ограничения, связанные с форматом проведения самой образовательной программы – очные контрольные мероприятия, хотя и не исключают, но в существенной мере отменяют преимущества дистанционных образовательных программ, а вступительные испытания возвращаются к своим старым болезням, обусловленным во многом масштабами нашей страны – абитуриенту из Владивостока невозможно поступить в МГУ, не потратив большое количество усилий, времени и денег на долгую дорогу для сдачи очного экзамена.

Другой вариант борьбы со списыванием – разработка новых, более творческих проектно-ориентированных форматов контрольных испытаний. В этом случае перед студентом ставится задача не столько выполнить определенное задание, сколько решить некоторую проблему, вдохновленную реальными сложностями, возникающими в соответствующей практике. Фокус усилий студента при этом смещается с проработки технических навыков в область планирования и дизайна эксперимента/исследования/прототипа, при этом признается право студента использовать определенные вспомогательные средства. Преимуществом и недостатком такого подхода одновременно является фактическое изменение образовательного результата программы за счет смещения точек приложения усилий студента – глубина понимания предметной области должна смениться на широту ориентации в ней, что, в совокупности с глубоко и тщательно проработанной базой, может быть приемлемым вариантом для некоторых предметных областей.

Третий вариант – апелляция к личной ответственности студента. В рамках этой парадигмы большая часть контрольных мероприятий должна превратиться из некоторого требования по отношению к студенту в услугу, которая ему предлагается. Целью прохождения контрольного мероприятия в этом случае является уже не формальное получение позитивной оценки выполненной работой, а проработанная обратная связь и рекомендации по корректировке подходов к обучению и образовательной траектории. Студент должен стремиться к объективному совершенствованию своих навыков, за счет чего его результативность становится в первую очередь его ответственностью, а контрольные мероприятия превращаются из фильтров в инструмент объективного численного измерения студентами их профессионального роста. Проблема этого подхода состоит в принципиальной сложности построения универсального мотиватора к достижению результата. В идеальном случае, этот универсальный мотиватор должно формулировать общество, культурная и экономическая среда, однако сложно рассчитывать на изменения, контроль которых не находится в наших руках. Суррогатами универсального мотиватора в этом случае могут стать либо отдельные редкие (к примеру, ежегодные) контрольные мероприятия, организация которых отличается особой строгостью, а результат которых не просто построен на системе фильтрации, но должен быть практически безапелляционным и крайне важным в рамках всего процесса обучения; либо развитая система внутренней конкуренции, возможно, дополнительно мотивированная экономически.

Четвертый вариант – использование уязвимостей и технических ограничений ИИ-ассистентов. Этот путь предполагает постоянный мониторинг исследований на тему уязвимостей больших языковых моделей и атак на них, а также крайне динамичное изменение состава заданий курсов. Он рассчитан на отслеживании артефактов ИИ, которых с каждым годом, вероятно, будет становиться все меньше.

Лично я убежден, что любая хорошая образовательная система должна быть основана на взвешенной комбинацией всех четырех путей контроля в здоровых пропорциях. Для выстраивания адекватных систем, не обладающих явными перегибами, необходимо, помимо всего прочего, понимать потребности студента, поскольку любой акт нечестного выполнения задания является диссонансом между реальными целями студента, которые ставят перед ним жизненные обстоятельства, и формальными целями образовательной траектории. Очень важно отличать нездоровые тенденции в студенческой среде от объективного запроса общества, и гибко адаптировать подходы к формированию курсов.

Долгосрочные перспективы

При том, что пока что от повсеместного внедрения ИИ в контексте образования больше вреда, чем пользы, долгосрочные перспективы кажутся многообещающими. Современный прогресс в разработке рекомендательных систем и больших языковых моделей открывает перед образовательным сообществом перспективы плодотворной синергии.

Наиболее интересным мне представляются возможности по формированию адаптивных и гибких индивидуальных образовательных траекторий. Сочетание возможности строить рекомендации по освоению необходимых и опциональных знаний с огромных количеством наработанных цифровых ресурсов, а также использования кастомизируемых индивидуальных цифровых помощников, делает построение образовательных траекторий более гибким, чем когда-либо раньше в истории. Индивидуальное формирование домашних заданий, подбор наиболее понятных и релевантных курсов, индивидуальные графики и программы обучения – все это становится доступным, благодаря повсеместной автоматизации рутинных процессов.

Другим важным фактором, меняющим в преподавание в лучшую сторону, является новая возможность упрощенной ориентации в огромных массивах информации. Предыдущей итерацией такого упрощения сопоставимого масштаба стало появление поисковиков. RAG-системы - новое поколение поисковиков, делающее возможным быстрый поиск сложной релевантной информации по большим массивам данных. Правильной моделью использования этой технологии может быть инструмент, позволяющий быстро найти емкий ответ на конкретный вопрос в виде фрагмента онлайн-лекции или учебника из огромной библиотеки обучающих материалов. Примером такой библиотеки может служить, например, проект teach-in, содержащий записи и конспекты огромного количества лекций ученых МГУ и других крупных вузов. Несмотря на огромную объективную ценность такого ресурса, на сегодняшний день остается актуальной проблема александрийской библиотеки – ориентация в массиве этой информации по сути представляет из себя отдельную профессию.

Третий вариант эффективного использования ИИ в образовании – кастомизация заданий. ИИ делает возможным как создание почти неограниченного количества различных однотипных заданий, так и формирование задания исходя из конкретного запроса. Скорость формирования и проверки заданий в целом сильно возросла с появлением ИИ, и эта тенденция, на мой взгляд, должна сохраниться.

Смещение фокуса в преподавании ИИ

Помимо технических вызовов и перспектив современности, пред преподаванием ML, DS и AI стоит и новый концептуальный вызов. Как было отмечено выше, ИИ перестал быть технологией в себе, и стал полезным инструментом для многих других областей науки. В этом контексте все большую ценность приобретает преподавание ИИ, как инструмента с учетом специфики каждой отдельной науки и области технологии. Школы по типу ШАДа, AI Masters, Технопарка, хотя и обладают невероятной важностью в смысле развития индустрии, начинают терять свою ультимативность в смысле изучения ИИ. Огромная и важная область применения ИИ лежит за пределами сугубо технического взгляда на него, как на объект изучения.

Моя работа со студентами МГУ им. М. В. Ломоносова показала, что наибольший интерес к обработке данных, машинному обучению и искусственному интеллекту проявляют (помимо студентов ВМК, физфака и мехмата) студенты геогрфического, психологического, социологического, биологического и химического факультетов. Студенты психологического и социологического факультетов находят удивительные и эффективные способы интеграции ИИ в обработку экспериментальных данных с учетом особенностей предметной области. Географы и биологи применяют ИИ к обработке данных не совсем стандартных модальностей (особенно популярны графовые нейронные сети).

Интеграция ИИ в производство, искусство, дизайн, науку и повседневную жизнь требует междисциплинарного взаимодействия, которое на сегодняшний день развито недостаточно. Я думаю, что развитие таких междисциплинарных конклавов в виде создания новых лабораторий, образовательных коллективов, творческих групп и, конечно, образовательных курсов станет в скором времени новым мейнстримом.