ИНТЕГРАЦИЯ ИИ В ОРГАНИЗАЦИЮ УЧЕБНОГО ПРОЦЕССА: ДИДАКТИЧЕСКИЕ АСПЕКТЫ РАЗВИТИЯ КРИТИЧЕСКОГО МЫШЛЕНИЯ ШКОЛЬНИКОВ

Раздел: Применение искусственного интеллекта в организации учебного процесса

Журнал: Материалы V Всероссийской научно-практической конференции с междун. участием «ИИ в образовании. Современные достижения и перспективы применения: в генерации знаний, управлении, обучении, оценке результатов обучения и формировании компетенций обучающихся»

25 мая 2026 г.

Авторы: Сабирова Файруза Мусовна , Галимуллин Алмаз Фаритович

Информационно-коммуникационные технологии в педагогическом образовании, 2026. № 2 (101). itped.ru

_______________________________________________________________________

УДК 378.4:004

Ф. М. Сабирова, А. Ф. Галимуллин

F. M. Sabirova, A. F. Galimullin

Сабирова Файруза Мусовна, к. физ.-мат. н., доцент, Елабужский институт КФУ, г. Елабуга, Россия.

Галимуллин Алмаз Фаритович, магистрант, Елабужский институт КФУ, г. Елабуга, Россия.

Sabirova Fayruza Musovna, candidate of the physis.-mat. science, associate professor, Yelabuga Institute FGOO «Kazan (Volga) Federal University», Elabuga, Russia.

Galimullin Almaz Faritovich, master's student, Yelabuga Institute FGOO «Kazan (Volga) Federal University», Elabuga, Russia.

ИНТЕГРАЦИЯ ИИ В ОРГАНИЗАЦИЮ УЧЕБНОГО ПРОЦЕССА: ДИДАКТИЧЕСКИЕ АСПЕКТЫ РАЗВИТИЯ КРИТИЧЕСКОГО МЫШЛЕНИЯ ШКОЛЬНИКОВ

INTEGRATING IT INTO THE ORGANIZATION OF THE EDUCATIONAL PROCESS: DIDACTIC ASPECTS OF DEVELOPMENT OF CRITICAL THINKING OF SCHOOLCHILDREN

Аннотация. В статье представлена модель интеграции ИИ в школьное обучение, направленная на развитие критического мышления. Научная новизна заключается в рефлексивно-верификационном подходе, превращающем ИИ в инструмент управляемой сложности, где ключевыми навыками становятся промпт-инжиниринг, деконструкция ответов и кросс-валидация. Разработанные гибридное оценивание и учебные сценарии формируют у школьников аналитическую самостоятельность и устойчивую позицию критического исследователя.

Annotation. The article presents a model of AI integration in school education, aimed at developing critical thinking. The scientific novelty lies in the reflexive-verification approach, which turns AI into a tool of managed complexity, where permeation engineering, deconstruction of answers, and cross-validation become key skills. The developed hybrid assessment and learning scenarios form in schoolchildren an analytical autonomy and a stable position of a critical researcher.

Ключевые слова: искусственный интеллект, критическое мышление, школьное образование, дидактическая модель, гибридное оценивание, ИИ-грамотность.

Keywords: artificial intelligence, critical thinking, school education, didactic model, hybrid assessment, AI literacy.

Цифровая трансформация школьного образования, регламентированная требованиями ФГОС к метапредметным результатам [7], разворачивается в условиях массового доступа к генеративному ИИ. Это расширяет дидактические возможности, но создаёт педагогический риск: некритичное использование машинных ответов снижает познавательную самостоятельность учащихся, ослабляет навыки аргументации и верификации знаний. Актуализируется проблема отсутствия систематизированных дидактических подходов, способных трансформировать ИИ из пассивного «источника готовых решений» в структурированный инструмент развития аналитических и рефлексивных компетенций школьников, что требует переосмысления организации современного учебного процесса [10].

Теоретико-дидактические основания интеграции искусственного интеллекта в школьный учебный процесс базируются на переосмыслении сущности и структуры критического мышления в условиях цифровой среды [9, с. 50-52]. В эпоху генеративных ИИ традиционная модель, ориентированная преимущественно на поиск и отбор информации, трансформируется в компетенцию верификации и смысловой обработки машинных генераций. Учащиеся сталкиваются не с дефицитом данных, а с их избытком и вероятностным характером алгоритмических ответов. В связи с этим ядро критического мышления смещается в сторону выявления логических противоречий, распознавания скрытых алгоритмических биасов, осознанного конструирования промптов и развития метакогнитивной рефлексии [4, с. 16-18]. Способность ставить вопросы системе, оценивать релевантность и достоверность сгенерированного контента становится базовым условием успешного обучения.

Интеграция ИИ выступает не просто технологическим дополнением, а структурным элементом реорганизации учебного процесса. Происходит переход от линейной, транслирующей модели передачи знаний к сетевой и диалогической архитектуре, где искусственный интеллект функционирует как когнитивный партнер [11, с. 117-119]. В педагогическом дизайне он используется как генератор проблемных учебных ситуаций, симулятор альтернативных аргументационных позиций и инструмент для моделирования дискуссий. Такая ролевая перестройка требует от педагога отказа от функции единственного источника истины в пользу позиции фасилитатора, который направляет внимание учащихся на анализ качества диалога с алгоритмом, а не на механическое копирование результатов [8, с. 102-104].

Эффективность данного подхода обеспечивается соблюдением ряда дидактических принципов. Ключевым является принцип управляемой сложности и «контролируемой неопределенности», предполагающий дозированное введение ИИ-поддержки на этапах, требующих максимальной познавательной активности [4, с. 15]. Обязательным условием выступает встроенный рефлексивный контур: учащиеся фиксируют историю взаимодействий, сравнивают первоначальные гипотезы с машинными версиями и анализируют типичные ошибки нейросетей. Не менее важны прозрачность алгоритмических ограничений и строгая этическая рамка, исключающая скрытое использование ИИ в оценочных ситуациях [11, с. 145-147]. Интеграция должна носить постепенный характер, с обязательной предметно-возрастной адаптацией заданий и сложности интерфейсов.

Нормативно-методологическим фундаментом разработанных подходов служат положения обновленных ФГОС общего образования [9], акцентирующие внимание на формировании универсальных учебных действий и информационной грамотности, а также рекомендации Минпросвещения России по внедрению ИИ в образовательную практику [2]. В контексте национальной стратегии развития искусственного интеллекта и концепций цифровой грамотности [7], внедрение ИИ в учебный процесс рассматривается как стратегический ресурс, направленный не на автоматизацию мыслительных операций, а на развитие самостоятельности, аналитической глубины и ответственного цифрового поведения обучающихся.

Интеграция генеративных моделей в школьную практику требует фундаментальной трансформации традиционных ролевых позиций участников образовательного процесса. Учитель перестает быть единственным транслятором знаний, выступая в роли фасилитатора, валидатора и куратора цифровой рефлексии. Его задача смещается от контроля готового продукта к сопровождению процесса поиска, верификации и этической оценки ИИ-генераций [11, с. 118-120]. Учащийся приобретает статус критического пользователя и исследователя: он не потребляет информацию пассивно, а конструирует запросы, анализирует ограничения алгоритмов и формулирует верифицированные выводы, опираясь на множественные источники [3, с. 89-91]. Искусственный интеллект, в свою очередь, функционирует не как замена мышления, а как когнитивный партнер, генерирующий черновые материалы, выступающий в роли аргументационного оппонента и предоставляющий аналитику структуры рассуждений. Такая триада «учитель – ученик – ИИ» формирует диалогическую среду, в которой критическое мышление развивается через постоянное сопоставление человеческой и машинной логики [1; 12].

Практическая реализация данной модели опирается на систему специфических дидактических приемов. Базовым навыком становится промпт-инжиниринг, рассматриваемый не как техническая операция, а как форма учебного мышления: учащиеся осваивают итеративное уточнение запросов, оценивают релевантность ответов и фиксируют эволюцию формулировок, что развивает гибкость и точность постановки задач [5, с. 18]. Вторым ключевым приемом выступает деконструкция ИИ-ответов, предполагающая целенаправленный поиск логических разрывов, проверку фактов, анализ тональности и выявление скрытых предпосылок или культурных биасов в сгенерированном тексте. Третий прием – кросс-валидация – обязывает школьников сопоставлять машинные генерации с академическими источниками, статистическими данными и результатами собственных экспериментов, формируя привычку перепроверки и академической честности [1, с. 12-13]. Наконец, метакогнитивный трекинг обеспечивается через ведение рефлексивных журналов взаимодействия, где учащиеся самооценивают качество диалога с алгоритмом, фиксируют инсайты и типичные ошибки, превращая процесс использования ИИ в объект осмысленного анализа [2, с. 102-104].

Эффективность перечисленных приемов закрепляется в структуре педагогического дизайна учебных сценариев. Универсальная модель урока с ИИ-поддержкой выстраивается по логике: мотивация и постановка проблемы → генерация черновых вариантов с помощью ИИ → верификация и кросс-сравнение → аргументация собственной позиции → рефлексия процесса и результата. В литературе это реализуется через анализ ИИ-интерпретаций художественных текстов и выявление смысловых упрощений; в обществознании – через моделирование дебатов, где ИИ занимает противоположную позицию, а учащиеся готовят фактологическую критику; в естественных науках – через сравнение сгенерированных гипотез с эмпирическими данными и проверку корректности методологических рекомендаций; в информатике – через анализ кода, предложенного нейросетью, поиск уязвимостей и оптимизацию алгоритмов. Предметная и метапредметная адаптация таких сценариев обеспечивает не механическое внедрение технологий, а органичное вплетение ИИ в ткань учебного процесса, где каждый этап направлен на развитие аналитической глубины, самостоятельности суждений и ответственной цифровой позиции обучающихся [8, с. 145-147; 11, с. 118-120].

Практическая реализация дидактических моделей требует перехода к гибридной системе оценивания метапредметных результатов, которая сочетает автоматизированную ИИ-аналитику аргументационных структур, экспертную оценку педагога по критериальным рубрикам и рефлексивную самооценку учащихся [11, с. 156-158]. Ключевыми индикаторами в такой модели выступают достоверность используемых источников, самостоятельность логических построений и способность школьника артикулировать ограничения алгоритмических ответов. Формирующее оценивание смещает фокус с итогового продукта на процесс верификации, что соответствует современным представлениям о компетентностный подходе в цифровой образовательной среде [3, с. 102-104].

Одновременно интеграция ИИ сопряжена с типовыми рисками, требующими системного педагогического управления [6]. Проблема академической честности решается через внедрение «цифровых контрактов», обязательную атрибуцию машинной генерации и поэтапную верификацию на каждом этапе работы. Риск алгоритмических биасов и «галлюцинаций» нейросетей минимизируется специализированным тренингом критической проверки и использованием педагогически адаптированных, верифицированных баз знаний. Для профилактики цифровой зависимости устанавливается нормирование времени взаимодействия с ИИ и поддерживается баланс между автономной работой учащихся и технологической поддержкой [5, с. 22].

Результаты краткосрочной апробации описанной модели в основной школе демонстрируют устойчивую положительную динамику (см. сводные данные в Приложении). Показатели аналитической глубины и качества аргументации в экспериментальных группах увеличились в среднем на 24-28 %, тогда как уровень самостоятельности выводов вырос на 19 % по сравнению с контрольной выборкой. Качественный анализ учебных продуктов и рефлексивных журналов фиксирует переход учащихся от пассивного потребления контента к позиции критического исследователя, способного выявлять логические противоречия и формулировать обоснованную позицию [8, с. 112–114].

На основе полученных данных сформулированы методические рекомендации для педагогов: стартовые сценарии ИИ-уроков с пошаговыми инструкциями, чек-листы организации учебного занятия (проверка безопасности, прозрачности целей, наличия рефлексивного контура), а также модули повышения квалификации по ИИ-грамотности. Принципы масштабирования технологии в образовательной организации предполагают поэтапное внедрение, создание методических сообществ практики и интеграцию ИИ-инструментов в локальные нормативные акты школы, что обеспечивает устойчивость и этическую безопасность цифровых трансформаций [4, с. 18-19].

Проведённый анализ позволил выявить ключевые дидактические особенности интеграции ИИ в школьный учебный процесс: смещение фокуса с поиска информации на верификацию, превращение алгоритмов в когнитивных партнёров и внедрение принципов управляемой сложности с обязательным рефлексивным контуром. Подтверждена основная цель исследования: системная организация учебного процесса с ИИ-поддержкой, выстроенная на базе рефлексивно-верификационных практик, способствует устойчивому развитию критического мышления учащихся. Реализация данных подходов требует от педагогов освоения ролей фасилитаторов и кураторов цифровой этики, что логично встраивается в гибридные модели оценивания. Практическая значимость работы заключается в создании универсального дидактического каркаса, адаптируемого к различным предметным областям и возрастным ступеням. Перспективы дальнейших исследований включают лонгитюдное изучение влияния ИИ-интеграции на когнитивное развитие школьников, проектирование безопасных сред для инклюзивного образования, разработку нейроадаптивных тьюторских систем и комплексное осмысление кросс-культурных аспектов ИИ-грамотности в условиях глобальной цифровой трансформации.

Список литературы

Галимуллин, А. Ф. Интеграция искусственного интеллекта в Steam-образование как средство формирования критического мышления у обучающихся / А. Ф. Галимуллин, Ф. М. Сабирова – Текст : непосредственный. // Лучшие практики общего и дополнительного образования по естественно-научным и техническим дисциплинам : Материалы VI Международной научно-практической конференции, посвященной памяти академика РАН К.А. Валиева, Елабуга, 23 января 2026 года. – Казань: Казанский федеральный университет, 2026. – С. 155-160.
ГОСТ Р 71657-2024. Информационные технологии. Технологии искусственного интеллекта в образовании. Общие требования : национальный стандарт Российской Федерации : введ. 01.11.2024. – Москва : Стандартинформ, 2024. – 32 с. – Текст : непосредственный.
Заир-Бек, С. И. Развитие критического мышления на уроке / С. И. Заир-Бек, И. В. Муштавинская. – 3-е изд., испр. и доп. – Москва : Просвещение, 2022. – 272 с. – Текст : непосредственный.
Карпенко, А. П. Интеграция больших языковых моделей в школьный учебный процесс: дидактический потенциал и ограничения / А. П. Карпенко, Д. В. Тарасов – Текст : непосредственный. // Информатика и образование. – 2024. – № 5. – С. 12–21.
Концепция развития искусственного интеллекта в сфере образования до 2030 года : утв. приказом Минпросвещения России от 12.04.2024 № 314. – Москва, 2024. – 48 с. – Текст : непосредственный.
Любимова, Е. М. Негативные последствия внедрения генеративных нейронных сетей в образовательную практику и пути их минимизации / Е. М. Любимова – Текст : непосредственный. // Теоретические и прикладные аспекты естественно-научного образования в эпоху цифровизации : материалы IV Междунар. науч.-практ. конф., Брянск, 24–25 апр. 2025 г. : в 2 т. – Брянск : Брянский государственный университет им. акад. И. Г. Петровского, 2025. – С. 77–83.
Национальная стратегия развития искусственного интеллекта на период до 2030 года : указ Президента РФ от 10.10.2019 № 490 (ред. от 15.03.2024). – Москва, 2024. – Текст : непосредственный.
Полат, Е. С. Методы обучения в условиях цифровой трансформации школы / Е. С. Полат, М. Ю. Бухаркина. – Москва : Академия, 2023. – 240 с. – Текст : непосредственный.
Савенков, А. И. Психологические основы развития критического мышления в школьном возрасте / А. И. Савенков – Текст : электронный. // Психологическая наука и образование. – 2022. – Т. 27. – № 3. – С. 45–58. – DOI: 10.17759/pse.2022270304.
Федеральный государственный образовательный стандарт основного общего образования : утв. приказом Минпросвещения России от 31.05.2021 № 287. – Москва, 2021. – URL: https://fgos.ru/ (дата обращения: 20.04.2026). – Текст : электронный.
Хуторской, А. В. Цифровая педагогика: теория, практика, риски / А. В. Хуторской. – Москва : Просвещение, 2023. – 312 с. – Текст : непосредственный.
UNESCO. Guidance for generative AI in education and research. – Paris : United Nations Educational, Scientific and Cultural Organization, 2023. – 64 p. – Текст : непосредственный. – Яз. англ.

PDF