Science for Education Today, 2026, Т. 16, № 5, С. 131–157
© Глухов А. П., Синогина Е. С., Червонный М. А., 2026
УДК: 
51-77+37.013+004.8

Обоснование проектирования ИИ-интервенций в образовании через анализ установок педагогов и многослойную модель готовности

Глухов А. П. 1 (Томск, Россия), Синогина Е. С. 1 (Томск, Россия), Червонный М. А. 1 (Томск, Россия)
1 Томский государственный педагогический университет
Полный текст (свободный доступ) — Скачан 28 раз(а)
Аннотация: 

Проблема и цель. Внедрение искусственного интеллекта в систему общего образования сопровождается устойчивым разрывом между декларируемой готовностью педагогов к использованию ИИ-инструментов и их реальной интеграцией в учебный процесс. Педагоги применяют искусственный интеллект преимущественно для рутинных задач, тогда как его потенциал для трансформации обучения и персонализации остается нереализованным, что создает риски когнитивного долга учащихся и ослабления профессиональной агентности учителя. Отсутствие эмпирически обоснованных моделей проектирования ИИ-интервенций, учитывающих установки педагогов и когнитивные риски, препятствует педагогически осмысленной интеграции искусственного интеллекта. Цель исследования – на основе эмпирического анализа установок, практик и барьеров использования искусственного интеллекта педагогами обосновать двухосевую модель «когнитивный оффлоуд – агентность» и четырехслойную модель готовности “AI Readiness – 4L”, а также сформулировать архитектурные принципы ИИ-интервенций.
Методология. Теоретическую рамку составил синтез концепции «Готовности системы к ИИ», моделей SAMR, SCOT, JTBD и TPACK, а также социально-когнитивной теории А. Бандуры. Эмпирическая база – смешанный дизайн (2024–2025 гг.) на материале четырех школ г. Томска. Количественный компонент: анкетирование педагогов (n = 118); качественный: интервью с руководителями (n = 3). Применены тематический анализ и метод кейс-стади.
Результаты. Выявлен «парадокс готовности»: при позитивном отношении к искусственному интеллекту регулярно используют инструменты менее трети педагогов, большинство оценивают свои ИИ-компетенции как недостаточные. Установлена дифференциация управленческих позиций руководителей.
Эмпирически обоснована двухосевая модель «когнитивный оффлоуд – агентность» с четырьмя типами взаимодействия в системе «учащийся – искусственный интеллект – педагог». Критический риск когнитивного долга возникает при сочетании высокого оффлоуда и низкой агентности. Разработана четырехслойная модель готовности “AI Readiness – 4L” (технологический, социальный, потребностный, компетентностный слои). Ключевым предиктором готовности выступают социально-организационные факторы, а не инфраструктура. Сформулированы архитектурные принципы ИИ-интервенций.
Заключение. Предложенные модели и принципы создают основу для проектирования ИИ-интервенций, позволяющих использовать трансформационный потенциал технологии без утраты субъектности педагога и когнитивной автономии ученика, подтверждая необходимость перехода к педагогически опосредованному внедрению искусственного интеллекта.

Ключевые слова: 

искусственный интеллект в образовании; установки педагогов; когнитивный долг; когнитивный оффлоуд; распределенная агентность; готовность к внедрению искусственного интеллекта; многослойная модель готовности; общеобразовательная школа; цифровая дидактика

Библиографическая ссылка:
Глухов А. П., Синогина Е. С., Червонный М. А. Обоснование проектирования ИИ-интервенций в образовании через анализ установок педагогов и многослойную модель готовности // Science for Education Today. – 2026. – № 5. – С. 131–157. DOI: http://dx.doi.org/10.15293/2658-6762.2605.07
Список литературы: 
  1. ElSayary A. An investigation of teachers' perceptions of using ChatGPT as a supporting tool for teaching and learning in the digital era // Journal of Computer Assisted Learning. – 2024. – Vol. 40 (3). – P. 931–945. DOI: https://doi.org/10.1111/jcal.12926
  2.  Bui P., Korhonen T., Kontkanen S., Karme S., Piispa-Hakala S., Veermans M. Exploring pre-service teachers' generative AI readiness and behavioral intentions: A pilot study // LUMAT: International Journal on Math, Science and Technology Education. – 2025. – Vol. 13 (1). – P. 8. DOI: https://doi.org/10.31129/LUMAT.13.1.2755
  3.  Глухов А. П., Синогина Е. С. Социально-профессиональные вызовы и методологические аспекты внедрения ИИ в образовательную среду школы // Вестник Томского государственного педагогического университета. – 2025. – № 5 (241). – С. 110–121. URL: https://elibrary.ru/wlzojl DOI: https://doi.org/10.23951/1609-624X-2025-5-110-121
  4.  Кузьменко М. В. Искусственный интеллект в школьном математическом образовании: осведомленность, готовность и использование учителями математики // Психологическая наука и образование. – 2025. – Т. 30, № 3. – С. 125-139. URL: https://elibrary.ru/fhqrzn DOI: https://doi.org/10.17759/pse.2025300310
  5.  Садыкова Г. В., Каюмова А. Р. Технологии искусственного интеллекта в российском образовательном пространстве: взгляд педагогов // Перспективы науки и образования. – 2024. – № 6 (72). – С. 720-732. URL: https://elibrary.ru/rikcdn DOI: https://doi.org/10.32744/pse.2024.6.45
  6.  Eedelouei S. Factors influencing language teachers' judgements and decision-making about the use of generative AI tools: A systematic review // Teaching and Teacher Education. – 2026. – Vol. 171. – P. 105333. DOI: https://doi.org/10.1016/j.tate.2025.105333
  7.  Sweller J., van Merriënboer J. J. G., Paas F. Cognitive Architecture and Instructional Design: 20 Years Later // Educational Psychology Review. – 2019. – Vol. 31 (2). – P. 261–292. DOI: https://doi.org/10.1007/s10648-019-09465-5
  8.  Gilbert S. J. Cognitive Offloading is Value-based Decision Making: Modelling Cognitive Effort and the Expected Value of Memory // Cognition. – 2024. – Vol. 247. – P. 105783. DOI: https://doi.org/10.1016/j.cognition.2024.105783
  9.  Risko E. F., Gilbert S. J. Cognitive Offloading // Trends in Cognitive Sciences. – 2016. – Vol. 20 (9). – P. 676–688. DOI: https://doi.org/10.1016/j.tics.2016.07.002 
  10. 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 (2). – P. 489–530. DOI: https://doi.org/10.1111/bjet.13544
  11. Long D. Y., Wang S., Md Rashid S., Lu X. T. Artificial Intelligence in Higher Education: A Systematic Review of Its Impact on Student Engagement and the Mediating Role of Teaching Methods // Frontiers in Education. – 2026. – Vol. 10. – P. 1648661. DOI: https://doi.org/10.3389/feduc.2025.1648661
  12. Hamilton E. R., Rosenberg J. M., Akcaoglu M. The Substitution Augmentation Modification Redefinition (SAMR) Model: A Critical Review and Suggestions for Its Use // TechTrends. – 2016. – Vol. 60 (5). – P. 433–441. DOI: https://doi.org/10.1007/s11528-016-0091-y
  13. Mishra P., Koehler M. J. Technological Pedagogical Content Knowledge: A Framework for Teacher Knowledge // Teachers College Record. – 2006. – Vol. 108 (6). – P. 1017–1054. DOI: https://doi.org/10.1111/j.1467-9620.2006.00684.x
  14. Bandura A. Social Cognitive Theory: An Agentic Perspective // Annual Review of Psychology. – 2001. – Vol. 52. – P. 1–26. DOI: https://doi.org/10.1146/annurev.psych.52.1.1
  15. Буякова К. И., Дмитриев Я. А., Иванова А. С., Фещенко А. В., Яковлева К. И. Отношение студентов и преподавателей к использованию инструментов с искусственным интеллектом в вузе // Образование и наука. – 2024. – Т. 26, № 7. – С. 160–193. URL: https://elibrary.ru/bseuwy DOI: https://doi.org/10.17853/1994-5639-2024-7-160-193
  16. Braun V., Clarke V. Using thematic analysis in psychology // Qualitative Research in Psychology. – 2006. – Vol. 3 (2). – P. 77–101. DOI: https://doi.org/10.1191/1478088706qp063oa
  17. Letourneau A., Deslandes Martineau M., Charland P., Karran J. A., Boasen J., Leger P. M. A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education // NPJ Science of Learning. – 2025. – Vol. 10. – P. 29. DOI: https://doi.org/10.1038/s41539-025-00320-7
  18. Cetin Y., Taş Ö., Alakuş H., Kaplan H. İ. Examining School Principals' and Teachers' Perceptions of Using ChatGPT in Education // Educational Process: International Journal. – 2024. – Vol. 13 (3). – P. 85–96. DOI: https://doi.org/10.22521/edupij.2024.133.5
  19. Doty K., Lipien L. Student Perceptions and Attitudes About the Usage of ChatGPT in Online K-12 Education // American Journal of Educational Research. – 2024. – Vol. 12 (9). – P. 348–355. DOI: https://doi.org/10.12691/education-12-9-2
  20. Rui X., Celik I., Edwards J. Understanding pre-service teachers' needs for integrating AI-based tools in instruction through intelligent TPACK framework // Computers and Education Open. – 2025. – Vol. 9. – P. 100317. DOI: https://doi.org/10.1016/j.caeo.2025.100317
  21. Edwards A. Relational agency: Learning to be a resourceful practitioner // International Journal of Educational Research. – 2005. – Vol. 43 (3). – P. 168–182. DOI: https://doi.org/10.1016/j.ijer.2006.06.010
  22. Floridi L., Cowls J., Beltrametti M., Chatila R., Chazerand P., Dignum V., Luetge C., Madelin R., Pagallo U., Rossi F., Schafer B., Valcke P., Vayena E. AI4People – An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations // Minds and Machines. – 2018. – Vol. 28 (4). – P. 689–707. DOI: https://doi.org/10.1007/s11023-018-9482-5
  23. Wang S., Zhang H. Digital mentor paradox: Transforming algorithmic anxiety into professional growth through AI-scaffolded pedagogical reasoning and identity // Teaching and Teacher Education. – 2026. – Vol. 176. – P. 105526. DOI: https://doi.org/10.1016/j.tate.2026.105526
Дата публикации 31.10.2026