Китайское исследование показало, что использование генеративного ИИ помогает школьникам делать домашние задания быстрее и «результативнее». Оценки за домашнюю работу в среднем увеличиваются на 18%, а время на выполнение «домашки» сокращается примерно на треть. Но уже через несколько месяцев это оборачивается обратной стороной. Результаты контрольных и ежемесячных экзаменов падают примерно на 20%. Эти выводы основаны на 30-месячном наблюдении почти за 27 тысячами учеников с 7 по 12 классы в одном из китайских округов. К моменту выпускных и вступительных экзаменов провал становится ещё заметнее: баллы на таких экзаменах в среднем оказываются ниже на 18–24% по сравнению с теми, кто не полагался на ИИ при выполнении домашней работы.
Исследование провели экономисты: Дэвид Стрёмберг из Стокгольмского университета и Яньхуэй У из Университета Гонконга. В течение 30 месяцев они собирали данные по каждому ученику сразу по девяти предметам: смотрели результаты ежемесячных контрольных без учебников, баллы на вступительных экзаменах, а также оценки за домашние задания и время, которое на них уходит. Важно, что доступ к нейросетям появлялся в разных школах и классах не одновременно. Этим учёные и воспользовались: они сравнивали тех, кто уже начал пользоваться ИИ, с теми, кто ещё нет. Такой подход называется «разность-разностей» (difference-in-differences) и позволяет отделить реальный эффект новой технологии от естественного роста успеваемости, который происходит просто со временем
Основную часть потерь Стремберг с соавторами связывают с одним и тем же поведением: около 80% провала приходится на учеников, которые стали делать домашку заметно быстрее обычного и при этом получать высокие баллы — верный признак, что подростки использовали нейросети. У тех же, кто пользовался ИИ, но тратил на задания примерно столько же времени, что и раньше, потери в знаниях оказались минимальными. Хуже всего эффект бьет по сильным ученикам младших классов и по мальчикам, а среди предметов — по общественным наукам, следом идут точные науки и языки. Парадокс в том, что как раз отличники лучше всех умеют составить для модели точный запрос, поэтому их домашняя работа выглядит безупречно, а пробел вскрывается только на экзамене, когда нет возможности воспользоваться ИИ.
Психологи называют это когнитивной разгрузкой (cognitive offloading) — переносом умственной работы на внешний инструмент ради экономии сил. Сама по себе она не вредна: калькулятор просто инструмент, который экономит время. Вредна разгрузка там, где задача существует именно ради тренировки навыка, а не ради результата. Домашние задания как раз и даются для этого. Профессор MIT Sloan Эрик Со предложил для этого явления термин «гравитация ИИ» (AI gravity): чем удобнее переложить мышление на модель, тем сильнее тянет делать это снова, а разница между тем, кто разобрался сам, и тем, кто получил готовый текст, поначалу не видна. В предварительном эксперименте Медиалаборатории MIT 83% участников, написавших эссе с помощью ChatGPT, через несколько минут не смогли процитировать по памяти ни одного предложения из собственной работы. Мысль прошла через них, не задержавшись.
Минимум усилий и стабильно высокая оценка закрепляют привычку в следующий раз сразу тянуться за подсказкой, а не пробовать самому: мозг экономит энергию везде, где может, и не различает, где экономия безопасна, а где она создает привычку не думать самому. Дело не в том, что нейросеть каждый раз отнимает у мышления что-то напрямую, а в том, что задача, устроенная так, чтобы провести ученика через ошибки и работу над ними, эта цепочка разрывается. Где-то ИИ в таком случае можно сравнить с наркотиком: минимум усилий, отличный результат.
При этом тот же ИИ в другом формате даёт противоположный эффект. В 2025 году физик Грег Кестин из Гарварда с коллегами провёл рандомизированное испытание на 194 студентах по физике. Они тестировали не общий чат-бот, а специального учебного помощника PS2 Pal — это ИИ-тьютор, который показывает студенту задания, задаёт уточняющие вопросы, даёт маленькие подсказки шаг за шагом и явно просит сначала попробовать решить самому, прежде чем открыть следующий шаг или ответ. По сути, это «умный репетитор»: он знает правильные решения заранее, но выдаёт их порциями, ведя ученика по решению и контролируя, чтобы студент не перегружался и не превращал занятие в простое чтение готового ответа. В таком виде ИИ-тьютор оказался эффективнее очного семинара с активным обучением: продвинутые оценки показали эффект до 1,3 стандартного отклонения. При этом студенты с ИИ не тратили больше времени — наоборот, медианное время занятия составило 49 минут против часа в классе, а 83% участников сказали, что объяснения тьютора были не хуже, чем у живого преподавателя. Ключевая разница с китайским исследованием в том, что здесь ИИ специально спроектирован, чтобы не подменять мышление, а вести к решению через вопросы и пошаговые подсказки, а не выдавать сразу готовый текст по первому запросу.
Отсюда и рецепт, который предлагают сами авторы обеих работ. Оценки и допуск к следующему классу привязывать к результатам без ИИ под рукой — закрытым контрольным и экзаменам, а не к домашней работе. Настраивать модель на роль наставника — просить задавать наводящие вопросы и указывать на слабое место в решении, а не давать готовый ответ.
