Методологическое обоснование рефлексивной интеграции генеративного искусственного интеллекта в профессиональное образование

Аннотация

Цель исследования – методологическое обоснование дидактической системы рефлексивной интеграции нейросетевых технологий в профессиональное образование, при которой работа с генеративным инструментом становится предметом учебной деятельности, а не способом её замещения. В статье разграничены технократическая и рефлексивная модели применения искусственного интеллекта, рассмотренные как полюса единого континуума, охарактеризованы три дидактические функции инструмента и систематизированы риски его некритического применения вместе с механизмами их предупреждения. Научная новизна исследования состоит в том, что предложенная система выведена не из свойств технологии, а из методологии дидактики, теории деятельности и компетентностного подхода, в силу чего несовершенство генеративного инструмента истолковано здесь как дидактический ресурс, а не как недостаток, подлежащий устранению. В результате обосновано, что выбор между технократической и рефлексивной моделями имеет ценностно-педагогическую, а не техническую природу и определяется отношением к субъектной позиции обучающегося, тогда как рефлексивная интеграция выступает тем условием, при котором применение генеративного инструмента в подготовке специалиста получает педагогическое оправдание.

Источники

1. Андреев А. Л. Компетентностная парадигма в образовании: опыт философско-методологического анализа // Педагогика. 2005. № 4.
2. Бернавская М. В., Клещева Н. А. Модель фасилитированного проектного обучения с применением нейросетевых технологий в техническом вузе // Научно-методический электронный журнал «Концепт». 2026. № 1.
3. Бернавская М. В., Клещева Н. А. Принципы цифровой этики использования генеративных моделей искусственного интеллекта при подготовке специалистов в области биотехнологии // Мир науки. Педагогика и психология. 2025. Т. 13. № 6.
4. Гальперин П. Я. Психология как объективная наука: избранные психологические труды. М. – Воронеж: Институт практической психологии; МОДЭК, 1998.
5. Загвязинский В. И. Теория обучения. Современная интерпретация. М.: Академия, 2001.
6. Зимняя И. А. Ключевые компетенции – новая парадигма результата образования // Высшее образование сегодня. 2003. № 5.
7. Краевский В. В., Хуторской А. В. Основы обучения. Дидактика и методика. М.: Академия, 2007.
8. Леонтьев А. Н. Деятельность. Сознание. Личность. М.: Политиздат, 1975.
9. Лернер И. Я. Дидактические основы методов обучения. М.: Педагогика, 1981.
10. Семёнов И. Н., Степанов С. Ю. Рефлексия в организации творческого мышления и саморазвитии личности // Вопросы психологии. 1983. № 2.
11. Сериков В. В. Личностно ориентированное образование: поиск новой парадигмы: монография. М., 1998.
12. Сластёнин В. А., Исаев И. Ф., Шиянов Е. Н. Педагогика. М.: Академия, 2002.
13. Bahroun Z., Anane C., Ahmed V., Zacca A. Transforming Education: A Comprehensive Review of Generative Artificial Intelligence in Educational Settings through Bibliometric and Content Analysis // Sustainability. 2023. Vol. 15. № 17. Art. 12983. https://doi.org/10.3390/su151712983
14. Bearman M., Ryan J., Ajjawi R. Discourses of Artificial Intelligence in Higher Education: a Critical Literature Review // Higher Education. 2023. Vol. 86. https://doi.org/10.1007/s10734-022-00937-2
15. Crompton H., Burke D. Artificial Intelligence in Higher Education: the State of the Field // International Journal of Educational Technology in Higher Education. 2023. Vol. 20. Art. 22. https://doi.org/10.1186/s41239-023-00392-8
16. Dignum V. Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way. Cham: Springer, 2019. https://doi.org/10.1007/978-3-030-30371-6
17. Fan Y., Tang L., Le H., Shen K., Tan S., Zhao Y., Shen Y., Li X., Gašević D. Beware of metacognitive laziness: effects of generative artificial intelligence on learning motivation, processes, and performance // British Journal of Educational Technology. 2025. Vol. 56. No. 2. https://doi.org/10.1111/bjet.13544
18. Flavell J. H. Metacognition and cognitive monitoring: a new area of cognitive-developmental inquiry // American Psychologist. 1979. Vol. 34. No. 10. https://doi.org/10.1037/0003-066X.34.10.906
19. Floridi L., Cowls J. A Unified Framework of Five Principles for AI in Society // Harvard Data Science Review. 2019. Vol. 1. No. 1. https://doi.org/10.1162/99608f92.8cd550d1
20. Gerlich M. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking // Societies. 2025. Vol. 15. No. 1. Art. 6. https://doi.org/10.3390/soc15010006
21. Greene J. A. Teacher support for metacognition and self-regulated learning: a compelling story and a prototypical model // Metacognition and Learning. 2021. Vol. 16. No. 3. https://doi.org/10.1007/s11409-021-09283-7
22. Jobin A., Ienca M., Vayena E. The Global Landscape of AI Ethics Guidelines // Nature Machine Intelligence. 2019. Vol. 1. https://doi.org/10.1038/s42256-019-0088-2
23. Kasneci E., Sessler K., Küchemann S., Bannert M., Dementieva D., Fischer F., Gasser U., Groh G., Günnemann S., Hüllermeier E., Krusche S., Kutyniok G., Michaeli T., Nerdel C., Pfeffer J., Poquet O., Sailer M, Schmidt A., Seidel T., Stadler M., Weller J., Kuhn J., Kasneci G. ChatGPT for good? On opportunities and challenges of large language models for education // Learning and Individual Differences. 2023. Vol. 103. Art. 102274. https://doi.org/10.1016/j.lindif.2023.102274
24. Lo C. K. What is the impact of ChatGPT on education? A rapid review of the literature // Education Sciences. 2023. Vol. 13. No. 4. Art. 410. https://doi.org/10.3390/educsci13040410
25. Luckin R., Holmes W., Griffiths M., Forcier L. B.Intelligence Unleashed: an Argument for AI in Education. L.: Pearson, 2016.
26. Popenici S. A. D., Kerr S. Exploring the Impact of Artificial Intelligence on Teaching and Learning in Higher Education // Research and Practice in Technology Enhanced Learning. 2017. Vol. 12. Art. 22. https://doi.org/10.1186/s41039-017-0062-8
27. Williamson B., Eynon R. Historical Threads, Missing Links, and Future Directions in AI in Education // Learning, Media and Technology. 2020. Vol. 45. No. 3. https://doi.org/10.1080/17439884.2020.1798995
28. Xu X., Qiao L., Cheng N., Liu H., Zhao W. Enhancing self-regulated learning and learning experience in generative AI environments: the critical role of metacognitive support // British Journal of Educational Technology. 2025. Vol. 56. Iss. 5. https://doi.org/10.1111/bjet.13599
29. Yan L., Sha L., Zhao L., Li Y., Martinez-Maldonado R., Chen G., Li X., Jin Y., Gašević D. Practical and ethical challenges of large language models in education: a systematic scoping review // British Journal of Educational Technology. 2024. Vol. 55. Iss. 1. https://doi.org/10.1111/bjet.13370
30. Zawacki-Richter O., Marín V. I., Bond M., Gouverneur F. Systematic Review of Research on Artificial Intelligence Applications in Higher Education: Where Are the Educators? // International Journal of Educational Technology in Higher Education. 2019. Vol. 16. Art. 39. https://doi.org/10.1186/s41239-019-0171-0
31. Zhai C., Wibowo S., Li L. D. The effects of over-reliance on AI dialogue systems on students' cognitive abilities: a systematic review // Smart Learning Environments. 2024. Vol. 11. Art. 28. https://doi.org/10.1186/s40561-024-00316-7

Информация об авторах

Информация о статье

История публикации

• Поступила в редакцию: 18 июня 2026.
• Опубликована: 30 июля 2026.

Ключевые слова

• рефлексивная интеграция
• генеративный искусственный интеллект
• дидактическая система
• профессиональное образование
• рефлексивная позиция обучающегося
• учебный сценарий
• reflective integration
• generative artificial intelligence
• didactic system
• vocational education
• reflective position of a learner
• learning scenario

Copyright

© 2026 Автор(ы)
© 2026 ООО Издательство «Грамота»

Лицензионное соглашение

Creative Commons Attribution 4.0 International (CC BY 4.0)