Цифровое образование

​​Искусственный интеллект как «нечеткое устранение посредников»: некоторые закономерности и риски Автор: Майк Колфилд Майк Колфилд предлагает рассматривать влияние ИИ не просто как новое посредничество, а как «нечеткую дезинтермедиацию» — резкое сокращение дистанции между человеком и информационными источниками - Интернет уже устранил часть посредников: человек получил возможность самостоятельно обращаться к первоисточникам, но на практике большинство пользователей редко проделывает весь путь до них из-за сложности и затрат усилий. - LLM меняют ситуацию радикальнее: они не столько заменяют Google-поиск, сколько превращают в поиск множество запросов, которые человек раньше вообще не стал бы искать. Поэтому ИИ резко расширяет сферу обращения человека к внешней информации. - При этом ИИ действительно «нечеткий»: он обобщает и иногда искажает информацию, скрывая конкретные источники. Но по сравнению с прежней ситуацией информация может оказаться значительно ближе к пользователю. - Главный риск — не только ошибки самой LLM, но и возможность манипулировать первоисточниками. Если изменение авторитетного источника автоматически и быстро распространяется через ИИ, то покупка или компрометация одного источника потенциально получает гораздо больший эффект. - Поэтому возникает новый баланс: как совместить почти мгновенный доступ к обобщённому первичному знанию с защитой от чрезмерной централизации и манипуляции информацией? При этом прежняя медленность распространения информации иногда сама выполняла роль защитного буфера. Автор утверждает, что главный эффект ИИ может состоять не в том, что он становится ещё одним посредником между человеком и знанием, а в том, что он делает доступ к информации настолько дешёвым, что люди начинают обращаться к ней в ситуациях, где раньше вообще не стали бы искать — и именно это создаёт новый, пока недооценённый системный риск. Если эта логика верна, LLM постепенно становятся не просто «поисковиками нового поколения», а инфраструктурой повседнев

​​Философия образования как глобальная область Автор: Лиз Джексон Лиз Джексон рассматривает, в каком смысле философию образования можно считать глобальной, и показывает, что сама идея «глобальности» неоднозначна. - Формальная глобальность не означает реального многообразия. Международные конференции и журналы объединяют ученых разных стран, но область по-прежнему преимущественно западная, англоязычная и элитарная. Значительная часть исследователей и интеллектуальных традиций мира остается недостаточно представленной. - Английский язык создает дополнительный барьер. Ученые, работающие на китайском, японском, французском, немецком и других языках, оказываются в менее выгодном положении на международной академической арене. - Универсальные философские концепции могут быть культурно обусловлены. Такие понятия, как автономия, благополучие, рациональность или образование, часто представляются универсальными, хотя они сформировались в конкретных исторических и культурных традициях. Попытка отделить философские идеи от их культурного контекста может скрывать западные предпосылки. - Разные регионы имеют собственные интеллектуальные традиции. Философия образования во Франции, Германии, Японии, странах Африки, Азии и Латинской Америки развивалась по-разному. Поэтому нельзя автоматически переносить англо-американскую модель философии образования на весь мир. - Глобализация может воспроизводить неравенство. Парадокс заключается в том, что расширение международного сотрудничества способно одновременно усиливать западное интеллектуальное доминирование: ученые из других регионов часто вынуждены адаптироваться к темам, методам и академическим нормам, сформированным в США и Западной Европе. - Автор предлагает вместо простого «глобального охвата» развивать глобальную осведомленность. Это означает проверять философские утверждения в разных культурных контекстах, вступать в реальный диалог с исследователями из разных регионов, признавать собственную культурную обусловленность и спрашива

​​Внедрение в первый год обучения обучения не связанных с практикой, но ориентированных на взаимодействие с сообществом мероприятий Авторы: Брук Э. Харрис-Ривз, Эндрю Г. Пирсон Инновационность здесь в изменении того, что именно считается WIL (Work-Integrated Learning) и зачем его вводят на первом курсе. Традиционно обучение, интегрированное с практикой, выглядит примерно так: университет → сначала дисциплинарные знания → затем практика/стажировка → затем профессиональная идентичность. Авторы предлагают другую последовательность: университет → раннее погружение в профессиональное сообщество → наблюдение и взаимодействие с практиками → реальные/прикладные задания → рефлексия → формирование профессиональной идентичности. Причем студенту не обязательно уже работать на производстве или проходить полноценную стажировку. Практика понимается шире, чем стажировка Авторы фактически отделяют «обучение через практику» от «работы на практике». Студент первого курса может: встречаться с профессионалами; посещать реальные организации и объекты; наблюдать профессиональную деятельность; выполнять приближенные к реальности задания; участвовать в жизни профессионального сообщества; обсуждать увиденное и рефлексировать. Профессиональная среда становится частью учебного пространства, даже если студент еще не является практикантом. Это интересная модель для массового высшего образования, где полноценные стажировки на первом курсе организовать трудно. Главным результатом становится не навык, а идентичность Обычно раннюю практику оправдывают через: «Студент раньше приобретает профессиональные компетенции». Здесь акцент другой: «Студент раньше начинает понимать, кем он может стать». Объектом педагогического воздействия становится — формирование профессиональной идентичности. Студент должен получить ответы не только на вопрос: «Что я умею делать?» но и на вопросы: «Кто такие специалисты этой профессии?» «Вижу ли я себя среди них?» «Как выглядит моя будущая профессиональная жизнь?» «Хочу ли я

​​Миниатюрная нейронная сеть Автор con-dog, GitHub Экспериментальный проект по созданию крайне компактной нейронной сети для автономного решения лабиринтов. Автор начинал с цели добиться 100% решения лабиринтов, но постепенно превратил задачу в исследование того, насколько маленькой может быть работающая нейросеть. Главный результат — 14-байтовый конечный автомат, который, видя только локальные стены вокруг себя и не имея карты, координат или глобального состояния лабиринта, решает около 96,5% ранее не виденных лабиринтов размером до 21×21. Ключевые идеи, к которым автор пришёл в ходе примерно 47 экспериментов: - Минимальное локальное восприятие. Агент видит только непосредственно окружающие его стены и фактически «ощупывает» лабиринт вслепую. - Память оказалась критически важной. Без неё агент часто попадает в бесконечные циклы; экспериментально оптимальными оказались примерно 4 бита памяти. - Попытки создать отдельную быструю и медленную память оказались менее эффективными, чем простая память. - Большой прорыв дала проприоцепция — информация о том, какой ход агент только что сделал и состоялось ли движение. Это подняло результат выше 80%. - Интересный эксперимент с «двумя мозгами»: автор использовал однобитные нейроны и переключал два набора весов через фиксированное число шагов. Оптимальным оказалось переключение примерно каждые 16 шагов. - Ещё более существенным оказался переход от сложного представления направления цели к очень грубому сигналу. Вместо 4-битного представления направления использовался четырёхпозиционный компас, а затем всего 1 бит «горячо/холодно»: находится ли цель впереди агента. - Для проверки обобщаемости автор тестировал сеть на лабиринтах, созданных другими алгоритмами, которые не использовались при обучении. Падение медианной успешности составило примерно 1%, что говорит о сравнительно слабой зависимости модели от конкретного генератора лабиринтов. В проекте демонстрируется принцип «минимально достаточного интеллекта». Автор обнаруживает,

*🦄Обзор технологических стартапов в образовании от 27.09.2026* _Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_ Академия Хоровица и Андреессена для необычайно амбициозных молодых людей привлекла 42 миллиона долларов и запустила бесплатную стипендиальную программу в Сан-Франциско Читать 5мин https://vk.ru/wall-87570467_6359 Европейский инвестиционный фонд (ЕИФ) в сфере образовательных технологий и будущего рынка труда выделяет 20 миллионов евро на новый фонд Educapital III. Читать 1мин https://vk.ru/wall-87570467_6361 Компания Medcast, занимающаяся медицинским образованием и профессиональным развитием, привлекает 5,4 миллиона долларов для развития своей платформы клинического ИИ Читать 2мин https://vk.ru/wall-87570467_6345 Компания Scholar Education, предоставляющая платформу искусственного интеллекта для специального образования, привлекла 2 миллиона долларов в рамках посевного финансирования Читать 1мин https://vk.ru/wall-87570467_6351 OrderEAT привлекает 2 млн долларов для расширения своей платформы для школьных столовых Читать 1мин https://vk.ru/wall-87570467_6363 Поставщик платформ для корпоративного обучения и геймификации в образовании Gamindo привлек 1,4 млн евро в рамках посевного финансирования Читать 1мин https://vk.ru/wall-87570467_6353 Маркетплейс, связывающий проверенных студентов колледжей, известных как «Действующие лица», с домохозяйствами и предприятиями, нуждающимися в гибкой помощи, TimBuckDo привлекает средства в рамках промежуточного раунда финансирования перед серией А Читать 3мин https://vk.ru/wall-87570467_6357 Платформа для индивидуального обучения на основе данных и систем активного обучения для студентов ENEM AMentoria привлекла 196 тыс. долларов США в рамках посевного раунда Читать 1мин https://vk.ru/wall-87570467_6355 Платформа, предоставляющая видеокурсы и интерактивные лабораторные симуляционные мастер-классы для студентов, исследователей и ученых AREP привлекает предпосевное финансирование для расширения в

​​ИИ — реакция на уже происходящее: сохранить достоверность оценки; установить понятные правила; определить допустимые способы использования; реагировать на нарушения. Интеграция ИИ — подготовка образования к будущему: преподавать с использованием LLM; учить студентов работать с ними; менять задания так, чтобы их образовательная ценность не зависела от запрета ИИ; развивать ИИ-грамотность; экспериментировать с новыми педагогическими моделями. Парадокс состоит в том, что каждое направление частично подрывает другое. Сильная адаптация приводит к запретам и контролю, что мешает экспериментировать с ИИ. А быстрая интеграция может сделать университет чрезмерно зависимым от конкретных коммерческих технологий. Почему автор не предлагает просто «внедрить ИИ» Экономическая и технологическая среда слишком нестабильна. Модели быстро меняются, меняются их цены, возможности и коммерческие стратегии компаний. Поэтому построение долгосрочной университетской инфраструктуры вокруг конкретных коммерческих продуктов рискованно. В частности, автор рассматривает open-weight модели как потенциальную часть долгосрочной стратегии, позволяющей университетам снизить зависимость от технологических гигантов, но подчёркивает, что сами по себе они не являются готовым решением. 8. Предлагаемая модель Автор предлагает последовательность из трёх уровней: На краткосрочном горизонте - Адаптация с задачей сохранить достоверность образования и оценки, на среднесрочном - Интеграция - научиться использовать LLM в преподавании и обучении, в долгосрочной перспективе - Развитие институциональной способности - создать университет, способный постоянно адаптироваться к технологическим изменениям При этом третий уровень — наиболее принципиален. Университету нужна не одна «правильная политика ИИ», а организационная способность постоянно пересматривать свои практики. Что такое «стратегическая недостаточная интеграция» Это попытка найти середину между двумя крайностями: не: «Запретим ИИ и вернёмся к прежней систем

​​Стартап в сфере образовательных технологий Glite запускает приложение для повышения уровня владения английским языком _Автор: Пай Камау_ Glite основан известным предпринимателем Vassili Philippov (основателей MEL Science) Glite представляет интерес прежде всего как AI-native модель языкового обучения для уровня B1–C1, где ИИ используется не просто как разговорный партнер, а как система персонализации учебной траектории. 40 млн точек данных от более чем 3 млн учащихся позволяют строить модели типичных образовательных траекторий и выявлять индивидуальные пробелы. Это потенциально сильнее традиционной модели «один курс — одна программа для всех». Перспективен выбор недообслуживаемого сегмента intermediate/advanced. Большинство языковых приложений действительно ориентированы на начинающих, тогда как переход от «могу объясниться» к свободному профессиональному и культурному владению языком гораздо сложнее автоматизировать. При этом ключевой вопрос — не объем данных сам по себе, а их педагогическая ценность. Нужно доказать, что персонализация Glite действительно приводит к росту беглости, понимания и способности действовать в реальных ситуациях, а не только улучшает результаты внутри приложения. Это интересный пример перехода от AI tutor → AI learning system: ИИ не просто отвечает ученику, а пытается моделировать его состояние знаний и выбирать следующий оптимальный шаг обучения. Потенциально сильный проект на пересечении Learning Analytics + AI tutor + adaptive learning. Его наиболее ценная часть — попытка создать модель индивидуальной траектории обучения на огромном массиве данных. Если эта модель действительно предсказывает, _что конкретному учащемуся нужно изучать дальше_, у проекта может быть гораздо более широкая технологическая платформа, чем просто приложение для английского языка. Читать 3мин https://dzen.ru/a/asKjxM5c9AY48mWZ