Искусственный интеллект в классе: крупные языковые модели как учителя по классам

Помощь в обучении от цифрового партнёра

Во всём мире миллионы детей ходят в школу при недостатке квалифицированных учителей, а даже в хорошо обеспечённых классах трудно дать каждому ученику объяснения, которые действительно соответствуют его возрасту и уровню чтения. В этом исследовании изучается, можно ли современные системы искусственного интеллекта, в частности крупные языковые модели, превратить в «учителей по классам», которые говорят совершенно по‑разному с первоклассником и со студентом колледжа, при этом оставаясь точными в фактах.

Почему важно соотносить слова с возрастом

Хорошее обучение — это не только знание правильного ответа, но и умение изложить его так, чтобы ученик понял. Современные чат‑боты на базе ИИ умеют решать многие задачи, но часто отвечают языком, слишком сложным, даже если им поручают «объяснить для ученика 3‑го класса». Ранние исследования в основном проверяли простые приёмы подсказок и показали, что они недостаточны, особенно для младших читателей. Авторы утверждают, что если ИИ должен справедливо поддерживать обучение во всём мире, он должен надёжно давать ясные, соответствующие возрасту объяснения по широкому кругу предметов и вопросов, а не просто переписывать или сокращать уже существующие тексты.

Создание шкалы лёгкости и сложности текста

Чтобы решить эту задачу, исследователям сначала понадобился надёжный способ оценивать, насколько трудно читать тот или иной текст. Вместо опоры на одну единственную метрику они объединили семь классических формул читаемости, которые измеряют такие параметры, как длина предложений, длина слов и количество «сложных» слов. Эти формулы сгруппировали по тематике фокуса и затем создали интегрированную схему голосования, которая относит каждый ответ к одной из шести категорий: низшие классы начальной школы, средние классы начальной школы, старшие классы начальной школы, средняя школа, старшая школа и колледж или взрослый уровень. Такая более богатая система оценивания позволяет улавливать тонкие различия в сложности, которые одна метрика могла бы не заметить.

Обучение ИИ говорить шестью разными способами

Вооружившись этой шкалой уровней чтения, команда сгенерировала большой синтетический набор данных. С помощью нескольких передовых языковых моделей они составили тысячи открытых вопросов по 54 школьным предметам — от естественных наук и здоровья до литературы и обществознания. Для каждого вопроса они просили модель ИИ сгенерировать множество разных ответов, варьируя целевой класс и длину предложений. Затем их интегрированный инструмент читаемости пометил каждый ответ реальным уровнем класса. Эти размеченные пары вопрос‑ответ стали учебным материалом для донастройки шести отдельных версий модели ИИ, каждая из которых ориентирована на одну группу классов: модель для «низших классов начальной школы» естественно использует короткие предложения и простые слова, тогда как модель для «взрослых» предлагает более длинные и подробные объяснения.

Как показали себя учителя по классам

Авторы протестировали свои модели на нескольких реальных и синтетических наборах вопросов. Они измеряли «соответствие», то есть как часто ответ действительно попадал в целевой уровень класса, и «точность», то есть был ли ответ фактически верным и релевантным. По сравнению с простыми подходами, основанными только на подсказках, модели с донастройкой повысили долю успешных ответов по уровню класса примерно на 36 процентных пунктов в среднем, особенно для самой трудной группы — учащихся начальной школы. Важно, что такая адаптация существенно не ухудшила точность по научным вопросам. Опросы 208 человеческих участников, а также проверки с помощью другой модели ИИ‑судьи показали сильное согласие с тем, что ответы от разных моделей, ориентированных на классы, действительно становились более сложными и изощрёнными по мере повышения уровня класса.

Что это значит для классов и учеников

Исследование делает вывод, что крупные языковые модели можно перестроить в надёжных помощников, учитывающих уровень класса, которые подстраивают формулировки под способности учащихся к чтению, сохраняя правильность объяснений. Это ещё не решает более глубокой задачи — сможет ли маленький ребёнок понять очень абстрактные идеи, — но это важный шаг к инструментам ИИ, которые встречают учащихся там, где они находятся. При аккуратной разработке и внедрении такие репетиторы‑ИИ по классам могут расширить доступ к квалифицированному обучению, поддержать перегруженных педагогов и принести более ясные объяснения тем ученикам, которые в настоящее время лишены доступа к качественному обучению.

Цитирование: Oh, J., Whang, S.E., Evans, J. et al. Classroom AI: large language models as grade-specific teachers. npj Artif. Intell. 2, 28 (2026). https://doi.org/10.1038/s44387-026-00081-7

Ключевые слова: репетиторство на основе ИИ, читаемость по уровню класса, образовательные технологии, крупные языковые модели, персонализированное обучение