Студент има грешка в кода си. Отваря ChatGPT, копира съобщението за грешка и след тридесет секунди има решение. Кодът работи. Но след тридесет минути — и след тридесет дни — той все още не разбира защо първоначалната версия не е работила. Не помни нито грешката, нито решението. Просто я е „минал".
Тази малка сцена се повтаря милиони пъти на ден — в курсове по програмиране, в самообразование, в първите часове по информатика. И тя ни казва нещо важно за разликата между получаване на отговор и усвояване на знание. Разлика, която ChatGPT, в сегашната си форма, систематично замазва.
Скритият компромис: отговор срещу разбиране
Когато човек учи нещо ново — особено абстрактно като програмирането — мозъкът има две различни цели, които често влизат в конфликт. Първата е да реши проблема пред себе си. Втората е да изгради вътрешен модел, който ще му позволи да решава подобни проблеми сам в бъдеще.
Тези две цели изглеждат еднакви, но не са. Решаването на текущия проблем може да се случи външно — чрез чужда помощ, copy-paste, инструмент. Изграждането на вътрешен модел може да се случи само през собствена когнитивна работа.
ChatGPT е невероятно добър в първото. И е точно толкова безполезен за второто, колкото калкулаторът е безполезен за научаването на умножение. Това не е критика на инструмента. Това е критика на това как го използваме.
За какво е оптимизиран ChatGPT (и за какво — не)
Големите езикови модели не са обучавани да преподават. Те са обучавани да бъдат полезни и приятни за разговор. RLHF — обучението чрез човешка обратна връзка — възнаграждава отговори, които задоволяват потребителя в момента: ясни, директни, пълни.
За учене обаче „удовлетворението в момента" почти винаги работи срещу резултата.
Добрият учител често прави обратното на това, което желаем. Не дава отговор, а задава въпрос. Не обяснява всичко, а казва „пробвай първо ти". Не пише кода, а помага на ученика да разпознае собствената си грешка. ChatGPT, по дизайн, не прави нищо от това — освен ако много упорито не му го кажете. И дори когато го направите, той е калибриран да отстъпи бързо: ако настоявате „просто ми дай отговора", той ще го даде. Това не е педагогика. Това е сервис.
Това, за което LLM е оптимизиран — да задоволява в момента — е точно това, което прави ученето по-плитко.
Когнитивното натоварване: защо „по-малко усилие" често означава „по-малко учене"
В когнитивната наука има добре проучена рамка, която обяснява защо „по-лесно" не е същото като „по-добре" — теорията за когнитивното натоварване (Cognitive Load Theory) на Джон Свелър.
Тя разделя умственото усилие при учене на три типа:
- Същностно натоварване (intrinsic) — усилието, присъщо на самия материал. Рекурсията по дефиниция е по-сложна за разбиране от линеен цикъл.
- Излишно натоварване (extraneous) — усилието, пилеещо се за неща, които не помагат за разбирането: лошо обяснение, объркваща нотация, подвеждаща библиотека.
- Продуктивно натоварване (germane) — усилието, в което всъщност се случва ученето: построяване на ментален модел, свързване на нова идея със стара, формулиране на собствено обяснение.
Целта на добрия учител — човешки или AI — е да сведе до минимум излишното, да управлява същностното и да защити продуктивното.
ChatGPT прави първите две без проблем: обяснява ясно и разпределя сложността добре. Но той систематично премахва и продуктивното натоварване — точно работата, в която ученикът трябваше да участва, за да научи нещо. Когато моделът напише обяснението, направи аналогията, формулира извода — той прави когнитивната работа вместо вас. Резултатът изглежда като учене. Не е.
Ефектът на генерирането и желаните трудности
Друг централен резултат от изследванията върху ученето идва от Робърт Бьорк и неговото понятие desirable difficulties — желани трудности. Знание, което сте генерирали сами, се запомня по-добре от знание, което сте прочели. Знание, до което сте стигнали с усилие, оставя по-дълбока следа от знание, което ви е било поднесено.
Това е причината, поради която припомнянето е по-ефективно от препрочитането. Поради която разпределената практика бие натрупаната. Поради която ученик, който направи грешка и я поправи сам, помни по-добре от този, на когото отговорът е бил даден директно.
Точно тук ChatGPT, използван без преподавателска рамка, нанася най-голямата щета. Той премахва желаните трудности. Изтрива моментите, в които ученето всъщност щеше да се случи. Парадоксът е жесток: колкото по-„полезен" е инструментът, толкова по-малко научавате с него.
ICAP: от пасивно консумиране до интерактивно ангажиране
Мишелин Чи предлага друга полезна рамка — ICAP, която описва четири нива на ангажираност при учене:
- Passive — слушаш лекция, гледаш видео, четеш отговор от ChatGPT.
- Active — взимаш бележки, маркираш, копираш кода и го пускаш.
- Constructive — пишеш собствено обяснение, генерираш пример, задаваш въпрос.
- Interactive — обсъждаш, защитаваш позиция, обясняваш на друг човек.
Изследванията на Чи показват, че всяко по-високо ниво води до значително по-добро учене. Типичното използване на ChatGPT от студент в проблем — „ето кода ми, оправи го" — е чисто Passive. Получаваш отговор, четеш го, пускаш го. И почти нищо не е изградено вътре в главата ти.
Добрият AI учител е инструмент, който премества ученика от Passive нагоре по стълбата — който го кара да обяснява, да предсказва, да формулира хипотези, да реагира на провокации. Не такъв, който му спестява тази работа.
Симптомите на лошото AI обучение
Когато наблюдавате студент, който е разчитал прекалено на ChatGPT, виждате конкретен набор от симптоми:
- Може да произведе код, но не може да го обясни.
- Не разпознава собствените си грешки в нов контекст.
- Не помни решения, които „е минал" преди седмица.
- Има погрешно усещане за компетентност — fluency illusion — защото нещата „текат" гладко, докато моделът ги пише.
- Замръзва, когато инструментът не е под ръка.
Тези симптоми не са морален провал. Те са структурно следствие от дизайна на взаимодействието. Ако дадете на студент инструмент, който премахва продуктивното натоварване, ще получите студент без продуктивно учене.
И тук е важното: проблемът не е ChatGPT. Проблемът е, че го използваме като учител, без той да е проектиран за това.
Как изглежда доброто AI обучение
Какво би изглеждало AI обучение, което работи — което изгражда разбиране, а не го заобикаля? От литературата за интелигентни системи за обучение и от собствената ми изследователска работа, се очертават няколко принципа.
1. Диагностика преди обяснение
Преди да даде отговор, AI учителят трябва да разбере къде точно е блокажът. Студентът не разбира условието? Не разбира концепцията? Има погрешен ментален модел? Различните блокажи изискват различни намеси.
2. Скеле, което се сваля
Първият проблем може да включи много подсказки. Десетият — почти нищо. Системата трябва да избледнява поддръжката си успоредно с растящата самостоятелност на ученика.
3. Сократични въпроси, не директни отговори
Не „ето защо това е грешно", а „какво очакваш да върне този ред? Сега го пусни — какво всъщност връща? Защо разликата?"
4. Калибриране на натоварването
Намалявай излишното. Управлявай същностното, разпределяй го на стъпки. Защитавай продуктивното — не позволявай на студента да го прескочи.
5. Грешките като сигнал
Грешка не е провал — тя е най-богатата диагностична информация. Добрият AI учител иска да види грешка, за да разбере менталния модел зад нея.
6. Поискай обяснение
Преди студентът да продължи, нека той обясни решението със свои думи. Self-explanation effect е един от най-силните установени ефекти в когнитивната наука.
7. Постепенно затихване на примерите
Започни с напълно решени задачи (worked examples), след това с частично попълнени (faded examples), след това с празна страница. Това е емпирично най-ефективната траектория за начинаещи.
Един и същ въпрос, два отговора
За да стане конкретно — представете си първокурсник, който пита:
Защо този цикъл изпълнява тялото си 11 пъти, а не 10? for (int i = 0; i <= 10; i++)
Отговор от ChatGPT по подразбиране:
Защото условието е i <= 10, което включва и стойността 10. Цикълът започва от 0 и стига до 10 включително — общо 11 итерации. Ако искате 10 итерации, използвайте i < 10.
Ясно. Точно. Полезно. И почти нищо не е научено.
Отговор от добре проектиран AI учител:
Преди да отговорим — нека проверим заедно. Колко стойности може да приеме i, ако стартира от 0 и условието е i <= 10? Изброй ги. … Сега броят на итерациите равен ли е на броя на стойностите? Защо? И ако сега опитаме да формулираме правило: за i = a; i <= b; i++ — колко итерации? А за i < b?
Първият отговор решава проблема. Вторият изгражда модела — този, който ще ви предпази от същата грешка след шест месеца, в съвсем друг код.
Добрият AI учител не премахва трудността. Той я калибрира.
Пътят напред
Краят на всичко това не е „забранете ChatGPT в часовете". Това би било наивно — и грешно. ChatGPT може да бъде изключителен помощник за учене, ако ученикът знае как да го използва и ако самият инструмент е проектиран да преподава, а не само да отговаря.
Това, което ни трябва, е следващото поколение AI обучители — системи, които моделират какво ученикът знае и какво не; които задават въпроси преди да дават отговори; които скалират подкрепата си спрямо компетентността; които защитават точно тази когнитивна работа, в която се случва ученето; и които третират грешката като информация, а не като провал.
Това е сферата на интелигентните системи за обучение (intelligent tutoring systems) — и точно в нея изграждам изследването ми и инструментите си в CodeGrade. Целта не е да направим програмирането по-лесно. Целта е да направим обучението по програмиране по-дълбоко.
Защото в края на деня въпросът не е дали AI ще промени образованието. Вече го промени. Въпросът е дали ще го промени към по-плитко удобство — или към по-дълбоко разбиране. И това зависи от това какъв инструмент ще проектираме. Какъв учител ще пуснем в класната стая.