AI и обучение: что действительно помогает учиться, а что только создает иллюзию прогресса

AI сделал обучение дешевле, но не обязательно лучше

Раньше барьером было банально найти объяснение. Разобраться в незнакомой теме означало перерыть пару учебников, полистать форумы, спросить того, кто уже разобрался, и подождать ответа. Сегодня объяснение достаётся за секунды, причём в любом количестве и под любым углом. Проблема не исчезла, она развернулась в обратную сторону: информации стало настолько много, что сам объём начал мешать.

Джон Свеллер ещё в восьмидесятых описал это в теории когнитивной нагрузки (Cognitive Load Theory): рабочая память человека — это узкое горлышко с жёстко ограниченной пропускной способностью. Если подать в неё слишком много готового материала разом, часть просто не успевает перейти в долговременную память, сколько бы качественным ни было само объяснение и как бы понятно оно ни звучало в моменте. AI не решил эту проблему, он её обострил: получить исчерпывающий, аккуратно структурированный ответ на любой запрос теперь можно за пару секунд, и с этим объёмом сразу нужно что-то делать.

В основном материале о том, как учиться с нейросетями я собрал рабочие техники под конкретные задачи: промпты, интервальное повторение, планы обучения. Здесь я разберу более узкий и, как мне кажется, более важный вопрос. Раньше дефицитным ресурсом была сама информация, и почти любое действие с ней автоматически требовало усилия: найти, дочитать, разобраться. Теперь информация почти бесплатна, и именно поэтому дефицитным ресурсом незаметно стало что-то другое.

Главный критерий: работает ли AI, если его убрать

Прежде чем разбирать конкретные сценарии, стоит сразу зафиксировать критерий, которым я буду мерить каждый из них ниже, потому что обычная метрика для этого не годится. "AI экономит время" ничего не говорит о том, чему ты на самом деле научился: можно сэкономить час и не унести с собой ни одного навыка, который переживёт закрытие вкладки браузера.

Рабочий вопрос другой: после разговора с AI я стал способен сделать это самостоятельно, без него? Если да, это было обучением. Если нет, это было потребление готового результата, и в этом нет ничего постыдного, если ты сам это честно признаёшь. Постыдно называть это обучением, когда это им не было.

За этим критерием стоят не только личные ощущения. Метаанализ Freeman и коллег 2014 года (PNAS, 225 исследований по STEM-курсам) показал: студенты на занятиях с активным вовлечением сдают экзамены в среднем на 6% лучше, а вероятность провалить курс при пассивном формате лекций почти в полтора раза выше, чем при активном. Обе группы слушали примерно один и тот же материал. Разница в том, работал ли студент с этим материалом сам, вслух и на бумаге, а не только глазами.

Что реально работает

AI как персональный преподаватель

Разница между "объясни тему X" и рабочим сценарием наставничества не в качестве отдельного ответа, а в самом цикле. Рабочий диалог выглядит так: объяснение → вопрос на понимание → проверка твоего ответа → точечная подсказка, если застрял → усложнение задачи, если справился с лёгкостью. Одноразовое "объясни" даёт информацию. Цикл заставляет её применить, а применение и превращает информацию в навык.

Это не новая идея, это масштабирование давно известного эффекта. В 1984 году Бенджамин Блум описал так называемую "проблему двух сигм": ученики, занимающиеся один на один с репетитором, в среднем показывают результат на два стандартных отклонения выше, чем при обычном классном обучении. Разница, которую в офлайне физически невозможно масштабировать на каждого школьника, потому что репетиторов физически не хватит на всех. AI ничего принципиально нового здесь не изобретает: он делает индивидуальный формат доступным по цене, близкой к нулю, и подстраивается под текущий уровень примерно так, как это описывает "зона ближайшего развития" Льва Выготского, а именно не объяснять то, что ты уже знаешь, и не перепрыгивать то, до чего ты ещё не дорос.

Рабочий приём, который стоит закладывать в системный промпт с самого начала, а не вспоминать на середине разговора: явный запрет выдавать готовый ответ, пока ученик не пройдёт хотя бы пару-тройку наводящих вопросов. Одна реплика "подскажи, но не решай" в начале переписки обычно забывается моделью через несколько сообщений, особенно в длинном диалоге. Рабочие промпты под конкретные предметы и что делать, когда модель всё равно срывается на готовые ответы, я подробно разбирал в статье про то, как настроить AI в режиме наставника, а не решателя.

AI как генератор практики

Там, где нужен не один пример, а полсотни разных вариаций одной и той же концепции, AI меняет экономику практики целиком. Раньше ограничением было физическое количество упражнений в учебнике: рано или поздно ты просто выучиваешь наизусть конкретные ответы задачника, а не сам принцип, который за ними стоит. Модель убирает это ограничение, генерируя сколько угодно новых вариаций одной и той же концепции, так что запомнить конкретный ответ вместо того, чтобы понять закономерность, становится физически сложнее.

Это ложится на механизм, который нейробиология подтверждает не первый десяток лет: интервальное повторение и активное воспроизведение остаются золотым стандартом закрепления знаний, начиная с классических работ Джеффри Карпика и Генри Родигера о том, что попытка вспомнить ответ самому тренирует память сильнее, чем повторное чтение готового объяснения. AI не заменяет этот механизм, он снабжает его топливом. Это особенно заметно в программировании, языках, математике и подготовке к экзаменам: везде, где нужен именно объём практики, а не разовое озарение.

Практика, которая мне самому кажется недооценённой на фоне обычных флеш-карточек: генерировать не абстрактные задачи из учебника, а симуляции и кейсы под конкретный рабочий контекст. Нестандартные тест-кейсы под задачи конкретного тестировщика вместо общего чек-листа. Диалоги на языке под конкретную профессиональную ситуацию, в которой ты реально окажешься, а не универсальный разговорник туриста.

AI как обратная связь

Разница здесь в одном слове промпта, а не в возможностях модели. "Исправь" даёт готовый патч, который можно вставить не читая. "Объясни, что здесь не так" заставляет сначала понять диагноз, а патч написать самому, на своём же коде, эссе или решении задачи.

Полу Блэку и Дилану Уильяму принадлежит один из самых цитируемых обзоров по теме: оперативная качественная обратная связь по ходу работы, а не только итоговая оценка в конце, даёт один из самых сильных приростов результата среди всех изученных образовательных практик: эффект в диапазоне 0.4-0.7 стандартного отклонения, тогда как большинство образовательных вмешательств едва дотягивают до 0.2-0.3. AI не заменяет обратную связь живого человека, но убирает главное практическое ограничение: раньше подробный разбор твоего кода или текста стоил времени другого человека, и получить его можно было редко, а не по первому запросу в любое время суток. Промпт вроде "найди уязвимости в архитектуре этого решения, но не переписывай код за меня" держит усилие на твоей стороне и превращает модель в рецензента, а не в соавтора.

AI как инструмент проверки понимания

Из всех сценариев этот я сам использую реже остальных. Кажется, зря: он лучше остальных ловит разницу между "кажется, что понял" и "понял на самом деле". Вместо "объясни тему X" промпт разворачивается в обратную сторону: "Задавай мне вопросы по TCP congestion control. Не объясняй ответ, пока я не отвечу". Роль расспрашивающего берёт на себя модель, а не ты, и именно это неудобное положение показывает, где объяснение в твоей голове держится по-настоящему, а где рассыпается при первом же конкретном вопросе.

Это прямое применение техники Фейнмана: лучший способ проверить, что ты понял тему, это попробовать объяснить её или ответить на вопросы по существу без права подглядеть в подсказку. Ещё один рабочий вариант той же идеи: ролевая инверсия. Ты выступаешь в роли эксперта или интервьюируемого, а модель, в роли скептичного коллеги или дотошного джуниора, задаёт неудобные вопросы именно там, где обычно проседает поверхностное понимание. Это интереснее обычного чат-сценария именно потому, что здесь модель проверяет тебя, а не наоборот.

Что не работает или работает хуже

"Реши это за меня"

Самый очевидный антипаттерн не нуждается в развёрнутом разборе. Скопировать условие задачи целиком, вставить в чат и получить готовое решение: рабочий способ закрыть домашнее задание и нулевой способ чему-либо научиться. Модель в этом сценарии не наставник и не рецензент, а решебник, который просто выдаёт ответ быстрее, чем открытая вкладка с готовыми решениями. Критерий из второго раздела ловит это мгновенно: убери AI из этой цепочки, и на месте результата останется пустой лист, а не какой-то частичный прогресс.

Перечитывание вместо воспроизведения

Здесь ловушка тоньше, чем "реши за меня", и работает независимо от того, откуда взялся готовый текст: из учебника, из собственных старых конспектов или из ответа AI. Дело не в источнике, а в том, что ты делаешь с текстом после того, как его получил.

Узнавание и воспроизведение не одно и то же. Узнавание значит "да, я это уже видел, и текст кажется знакомым". Воспроизведение значит "я могу написать это сам, глядя в чистый лист". Разница между ними и есть главный источник ложной уверенности в собственных знаниях. Психологи называют механизм за этим эвристикой беглости: если текст читается легко, гладко и логично, мозг ошибочно принимает эту лёгкость восприятия за признак того, что материал усвоен. На деле беглость чтения не равна прочности запоминания: это два разных, слабо связанных между собой параметра. Хорошо написанное объяснение, откуда бы оно ни взялось, читается ровно и убедительно, и именно поэтому провоцирует эту ошибку легче остальных. Чем понятнее текст, тем меньше в нём того самого сопротивления, которое обычно и сигналит: здесь стоит притормозить и проверить себя.

Рабочая защита простая и не требует отказа ни от одного инструмента, включая конспекты и AI-объяснения: после любого текста, каким бы понятным он ни казался, закрыть его и попробовать воспроизвести своими словами по памяти. Получилось, значит это было обучение. Не получилось, значит это было чтение, и это нормально, если признать это честно, а не засчитать себе усвоенную тему на основании одной лишь лёгкости, с которой она читалась.

AI пишет за тебя

Особенно заметно в четырёх типах задач: эссе, код, домашние задания, исследовательские работы. Логика та же, что с чтением, но встроена уже не в чтение, а в производство текста. Чем больше самой интеллектуальной работы отдаётся AI на этапе черновика, а не финальной редактуры готового текста, тем меньше материала остаётся, на котором тренируется собственное мышление. Собрать структуру аргумента, свести противоречивые источники в один вывод, найти ошибку в собственной логике: это навыки, которые тренируются только на практике их выполнения, и делегирование именно этого шага, а не шлифовки формулировок, стоит дороже сэкономленного времени.

Самая интересная проблема — иллюзия обучения

Разговор про AI в образовании обычно застревает на одном вопросе: не соврала ли модель. Это реальный риск, но не главный. Главный риск тише и работает даже тогда, когда модель отвечает абсолютно точно.

Проблема из предыдущего раздела не ограничивается конспектами и текстами для чтения. Она встроена в саму механику разговора с AI: любой сценарий из первой половины статьи, если довести его до автоматизма и перестать держать под контролем критерий "смогу ли я сам", рано или поздно скатывается в тот же паттерн. Диалог с наставником, разбор ошибки, тренировочная задача: всё это работает ровно до того момента, пока ты сам формулируешь ответ первым. Как только формулировка стабильно приходит первой от модели, а ты только соглашаешься, что звучит логично, разница между рабочим сценарием и иллюзией обучения стирается, даже если каждое отдельное объяснение модели было безупречно точным.

В этом и есть настоящая цена удобства. Дело не в том, что AI иногда ошибается, а в том, что связное, гладкое и убедительно звучащее объяснение (а именно так AI отвечает почти всегда) само по себе создаёт ощущение понимания, независимо от того, произошло ли реальное усвоение материала. Чем выше становится качество объяснений, тем незаметнее становится этот эффект, а не наоборот: плохо написанный текст хотя бы честно спотыкается там, где спотыкается твоё понимание.

Как тогда правильно использовать AI

Из всего разобранного выше можно собрать один рабочий принцип вместо очередного списка промптов на каждый случай жизни: сначала сам, потом AI, потом снова сам.

1. Попробуй сам. Сформулируй ответ, реши задачу, напиши первую версию кода, прежде чем открывать чат. Не потому что первая попытка обязана быть правильной, а потому что именно на ней тренируется механизм, который потом нужно будет проверить.
2. Используй AI для обратной связи, а не для решения. Не "реши эту задачу", а "найди ошибку в моём решении" или "укажи, где рассуждение сворачивает не туда". Та же разница, что в разделе про обратную связь выше.
3. Получи ровно столько подсказки, сколько нужно, не больше. Одну наводящую реплику, а не полное объяснение с ответом в конце, даже если полный ответ вежливо предложен моделью первым.
4. Собери финальную версию самостоятельно. Не копируй патч модели целиком. Перепиши решение сам, опираясь на то, что понял из подсказки.
5. Проверь себя без AI. Закрой чат и попробуй воспроизвести решение или объяснение с нуля. Тот же тест на воспроизведение из раздела про иллюзию обучения, только применённый не к чужому тексту, а к собственной только что проделанной работе.

К этому принципу я пришёл не в теории, а через собственную ошибку. Когда писал бэкенд этого сайта на Rust, первые пару недель на любую ошибку компилятора про lifetime, время жизни ссылки, я просто копировал текст ошибки в чат и просил исправить. Работало быстро: код компилировался, фича закрывалась. Через две недели я не смог объяснить в другом разговоре, почему одна структура данных требует явного lifetime, а соседняя нет. Я пропустил все пять шагов выше и получил результат, который этот раздел и предсказывает: код заработал, а знание не появилось.

Пришлось откатиться на шаг назад. На следующих похожих ошибках я стал просить не патч, а построчный разбор: что конкретно значит сообщение компилятора и почему Rust вообще требует эту гарантию. Медленнее почти вдвое на каждой отдельной ошибке. Зато через пару недель такой практики я стал сам предсказывать, где компилятор потребует lifetime, ещё до того, как написал код и получил ошибку. Тот же инструмент, та же модель. Разница целиком в том, какой вопрос я ей задавал и на каком шаге из пяти выше подключал.

Хороший AI-инструмент для обучения устроен так, что после регулярного использования тебе с каждым разом требуется всё меньше его помощи на задание той же сложности, а не так, что он с каждым разом отвечает быстрее и качественнее. Это точнее и сильнее стандартной формулы "AI как твой персональный преподаватель": преподаватель, к которому ты обращаешься всё чаще, а не всё реже, довёл бы тебя ровно к тому же исходу, что и решебник.

Что действительно изменится

Общий вывод не в духе "AI заменит университеты": это красивый заголовок, который ничего не объясняет про механизм происходящего. Точнее сказать так: AI меняет не сам процесс обучения, а стоимость персонального подхода к нему.

Раньше персональная обратная связь (от преподавателя, репетитора, наставника или курса с ручной проверкой заданий) стоила ощутимых денег именно потому, что требовала времени другого человека. Сейчас часть этой функции (объяснение под твой уровень, тренировка с бесконечным числом вариаций, первичная обратная связь по черновику) стала доступна почти бесплатно и без очереди. Это реальный экономический сдвиг, а не хайп: то, что раньше могли себе позволить немногие, теперь доступно почти всем, вне зависимости от бюджета и города проживания.

Но это ничего не меняет в базовой биологии запоминания. Правило Хебба, сформулированное ещё в 1949 году и с тех пор многократно подтверждённое, коротко звучит как "нейроны, которые возбуждаются вместе, соединяются вместе": синаптическая связь укрепляется только тогда, когда нейрон сам генерирует импульс, а не когда информация просто проходит мимо в виде чужого готового текста. Ни одна модель не может сделать эту часть работы за тебя, потому что она в принципе происходит не в чате, а у тебя в голове, и происходит только в ответ на твою собственную активность: вспомнить, решить, написать, ошибиться, получить обратную связь, повторить попытку. AI способен сделать каждый из этих циклов дешевле и доступнее. Ни один из них не способен пройти вместо тебя.

Дефицит сместился

В начале этой статьи прозвучала простая мысль: AI сделал получение объяснений дешёвым. Раньше барьером был доступ к информации. Сейчас его почти не существует.

Но дешёвая информация не равна лёгкому обучению, и весь текст выше как раз об этом. Пока объяснения были дорогими и редкими, дефицитным ресурсом была сама информация, и почти любой шаг работы с ней автоматически требовал усилия: найти, дочитать, разобраться. Теперь объяснение достаётся почти бесплатно, и ровно поэтому дефицитным ресурсом незаметно стало не оно, а готовность самому останавливаться, вспоминать и пробовать, прежде чем принять готовый, гладкий и убедительный ответ за уже усвоенное знание.

Собственно, это и есть весь фильтр из этой статьи в одну фразу: инструмент работает на обучение, если после него в голове остаётся больше, чем было, а не только больше уверенности, что теперь всё понятно.