ИИ сделал всю домашку: как это изменило преподавание
Что делать педагогу, когда ИИ справляется со всеми домашними заданиями? Разбираем реальный опыт трансформации курсов и практические методы адаптации.
Когда ИИ выполнил всю домашку — и это изменило всё
Представьте: вы преподаватель курса программирования. Несколько лет вы тщательно проектировали задания — постепенно усложняете, выстраиваете логику, учите студентов разбираться в чужом коде, находить нужные библиотеки, решать конфликты зависимостей. И вдруг в один день вы запускаете ChatGPT, вставляете своё первое домашнее задание — и получаете корректный, рабочий ответ за 30 секунд.
Именно это произошло с автором нашумевшего материала на Substack — преподавателем, который прогнал через ИИ весь свой учебный план и обнаружил: современные языковые модели справляются с большинством заданий без труда. Это был момент разрыва шаблона. Не паники — а переосмысления.
Эта статья — о том, что реально происходит в образовании прямо сейчас, почему банальный запрет ИИ не работает, и как педагоги по всему миру перестраивают подход к обучению.
Масштаб явления: цифры, которые нельзя игнорировать
По данным на май 2025 года, 69% старшеклассников сообщили, что используют ChatGPT для помощи со школьными заданиями и домашней работой. Но ситуация продолжает развиваться стремительно: процент старшеклассников, использующих ИИ-инструменты для учёбы, вырос с 79% в январе 2025-го до 84% к маю того же года.
По одному из отчётов, в учебном году 2024–2025 ИИ использовали 86% учеников и 85% учителей. Это уже не маргинальное явление — это новая норма.
Согласно исследованию Pew Research Center 2023 года, 13% американских подростков в возрасте от 13 до 17 лет использовали ChatGPT для домашней работы; к 2024 году эта доля удвоилась до 26%. Тренд нарастает — и педагоги оказались перед необходимостью действовать.
Что именно ломается: доказательная педагогика под ударом
Проблема глубже, чем кажется на первый взгляд. Речь не просто о списывании — речь о подрыве методик, которые десятилетиями доказывали эффективность.
К сожалению, ИИ активно подрывает ряд доказательно обоснованных педагогических практик. Вот конкретный пример: исследования поддерживают частые низкоставочные оценивания с обратной связью (домашние задания, тесты) в противовес редким высокоставочным (экзаменам) — но ИИ подрывает практику в низкоставочных условиях, вынуждая делать упор на экзамены.
Отдельная проблема — схема «сначала сдать, потом подумать»: студенты сначала отправляют сгенерированное ИИ решение без размышлений, а затем смотрят только на замечания при проверке для переотправки — типичная история экстернализации издержек использования ИИ.
Там, где традиционная домашняя работа делала упор на повторение и решение задач, сегодняшние студенты всё активнее занимаются инженерией промптов. ИИ реструктурировал когнитивную экономику обучения.
«Является ли разграничение между помощью и подменой размытым — преподаватели должны оценивать пригодность нынешних домашних заданий для эффективного обучения» — Frontiers in Education, 2025
Таксономия Блума и ИИ: что умеет, а что нет
Инструменты вроде ChatGPT уступают в анализе, оценке и создании, но блестяще справляются с задачами низкого уровня по таксономии Блума — запоминанием и применением. Это ключевой инсайт для перепроектирования заданий.
| Уровень по Блуму | Что делает студент | ИИ справляется? | Риск подмены |
|---|---|---|---|
| Запоминание | Воспроизводит факты, определения | ✅ Легко | 🔴 Высокий |
| Понимание | Объясняет своими словами | ✅ Легко | 🔴 Высокий |
| Применение | Использует знания в стандартной задаче | ✅ Легко | 🔴 Высокий |
| Анализ | Разбирает, сравнивает, объясняет причины | ⚠️ Частично | 🟡 Средний |
| Оценка | Критически оценивает, аргументирует | ❌ Слабо | 🟢 Низкий |
| Создание | Порождает оригинальный продукт | ❌ Слабо | 🟢 Низкий |
Как конкретно меняется подход к заданиям
1. Масштабирование сложности выше предела ИИ
Автор оригинальной статьи описывает изящное решение: вместо того чтобы упрощать задания или запрещать ИИ, он начал масштабировать их сложность до уровня, где агенты не могут справиться без реального участия человека.
Например, первое домашнее задание — проверка существующих навыков программирования — состояло в расширении клона Instagram двумя функциями на основе ИИ. Стартовый код был относительно небольшим (12 тыс. строк), а правильное решение укладывалось примерно в 20 строк кода — но вся сложность состояла в понимании кода, поиске нужных библиотек, решении конфликта зависимостей и интеграции всего вместе.
Поскольку студенты тратят меньше времени на ручное чтение кода, изучение библиотек и написание кода, масштаб задач можно увеличивать — обычно до точки, где современные ИИ-агенты не могут решить задачу без более непосредственного руководства и обратной связи.
2. Отказ от шаблонных задач — переход к контекстным проектам
Учитель математики Аль Рабанера из Калифорнии перестал задавать задачи, которые можно целиком вставить в чат-бота. Вместо этого он строит уроки вокруг того, что реально интересует студентов: например, создаёт модуль о покупке автомобиля, объединяя расчёт процентных ставок и ежемесячных платежей с изучением кредитных рейтингов. Он заменил стандартные наборы задач уникальными проектами-плакатами и дизайн-челленджами в классе.
Когда Рабанера задаёт практику, он часто просит студентов самих придумывать текстовые задачи на основе личных интересов — чтобы доказать, что они понимают базовые концепции.
3. Превращение домашки в AI-тьюторинг
Есть и другой подход — не бороться с ИИ, а встроить его в процесс как обязательный инструмент с прозрачностью.
LLM открывают новый формат домашней работы: сессию с ИИ-тьютором. Вместо PDF или задания в LMS его встраивают в ИИ-ассистента, который проводит студента через задание, как репетитор. Студенты «сдают» такие задания, отправляя ссылку на транскрипт чата.
62% и 79% обязательных и факультативных студентов соответственно оценили утверждение «я считаю, что интерактивные домашние задания с ChatGPT были настоящей сильной стороной курса» на шесть или семь из семи возможных баллов.
Как переосмыслить систему оценивания
Это, пожалуй, самый болезненный вопрос. Традиционная система оценивания строилась на предположении, что выполненная работа = работа студента. Это предположение больше не работает.
graph TD A["Старая модель оценивания"] --> B["Домашнее задание дома"] B --> C["Сдаётся → проверяется"] C --> D["Оценка = прокси знаний"] E["Новая модель оценивания"] --> F["Задание с ИИ-компонентом"] F --> G["Рефлексия + транскрипт + защита"] G --> H["Оценка = понимание процесса"] G --> I["In-class проверка знаний"]
Классическое ядро курса пережило появление инструментов, способных выполнять его задания — потому что построение методов вручную и есть то, что позволяет студенту контролировать инструменты, а не подчиняться им. Структура оценивания не выжила без изменений и не должна была: экзамены ушли, вес перешёл к аудиторной работе и рефлексивным эссе.
Домашняя работа должна перейти от модели, ориентированной на повторение, к модели, акцентирующей логику, обратную связь и рефлексию.
Что работает: сравнение старых и новых форматов
| Старый формат | Новый формат | Почему эффективнее |
|---|---|---|
| Задача с одним правильным ответом | Открытый кейс с несколькими решениями | ИИ не даёт однозначного «правильного» |
| Эссе дома | Устная защита / аргументация в классе | Проверяет реальное понимание |
| Тест на запоминание | Анализ ошибок ИИ-ответа | Развивает критическое мышление |
| Самостоятельное программирование | Код-ревью ИИ-решения с объяснением | Учит оценивать, а не просто делать |
| Переотправка заданий | Очная беседа о трудностях | Исключает схему «сдал — исправил» |
Что реально подрывает обучение — и как с этим работать
Инструменты вроде ChatGPT могут помогать с мозговым штурмом, подготовкой и обратной связью, но некоторые исследователи предупреждают: они могут сделать студентов менее склонными думать самостоятельно. Исследование в British Journal of Educational Technology обнаружило, что подобные инструменты могут провоцировать «метакогнитивную лень» — зависимость от технологии, мешающую глубокому обучению.
Если ученики больше опираются на ИИ при выполнении заданий, чем при их понимании, может последовать автоматизация без усвоения. Поэтому педагоги должны создавать задания, требующие личной интерпретации, мета-уровневого мышления или оригинальности — те, с которыми ИИ не может легко справиться.
Жульничают ли студенты на домашних заданиях — не связано с тем, формируют ли эти задания правильное мышление вообще. Чтобы действительно помочь студентам, нужно ставить под сомнение не только то, как мы учим, но и чему мы учим.
Практический чеклист для преподавателя
Составьте чёткие правила: укажите студентам, какие задания допускают мозговой штурм с ИИ, а какие требуют самостоятельного выполнения. Например, набор математических задач может допускать проверку работы с помощью ИИ, тогда как эссе требует оригинального мышления, а ИИ используется только для редактирования.
Создавайте задания, ориентированные на процесс, а не на конечный ответ. Просите студентов показывать шаги решения задачи, сдавать вопросы для рефлексии о своём подходе или записывать короткие видеообъяснения своей работы.
Вместо того чтобы просто запрещать ИИ-инструменты, проектируйте интеллектуальные, творческие задания, которые действительно используют и интегрируют ИИ, — и избегайте простых, быстро решаемых задач, с которыми ИИ легко справится.
Выводы: конец домашки или её перерождение?
Способ, которым студенты выполняют домашние задания и учителя их оценивают, должен измениться в мире генеративных ИИ-моделей. Но это не приговор традиционному образованию — это вызов к его обновлению.
Учителя по всей стране пересматривают или отказываются от домашних заданий, поскольку ИИ-инструменты вроде ChatGPT побуждают студентов передавать на аутсорс задания, мешая обучению. Но самые дальновидные из них идут другим путём: они меняют не объём задач, а их природу.
ИИ-модели должны восприниматься как неотъемлемая часть образования, но требующая тщательной рефлексии и развития навыков критического мышления. Как в случае с калькуляторами, необходимо критически осмыслять вместе со студентами — когда и как использовать эти инструменты.
История с домашними заданиями — это зеркало более глубокого вопроса: чему именно мы учим и зачем? Если задание выполняет ИИ — значит, оно проверяло способность воспроизвести алгоритм, а не понять суть. И возможно, это хорошая новость: у нас появился шанс наконец проектировать обучение вокруг того, что действительно важно — критического мышления, адаптации, суждения и творчества.