Зачем это исследование
Дискуссия об ИИ в высшем образовании развивается между двумя полюсами. С одной стороны — страх, что генеративные модели «выключают» мышление студента. С другой — ожидание, что ИИ автоматически повысит результативность. Обе позиции работают на уровне публицистики, но не дают преподавателю и методисту инструмента для решений.
CDO Global и кафедра психологии личности ТГУ поставили задачу измерить нейрофизиологический эффект академического ИИ-тьютора в реальном учебном процессе. Не в лабораторной задаче «решите 10 примеров», а на полноценных семинарах с текстами, кейсами и аргументацией. Результат должен был дать вузу аргумент, который ложится в РПД и выдерживает обсуждение на учёном совете.
Методология и выборка
В исследовании участвовали 120 студентов бакалавриата 2–3 курсов социогуманитарных направлений. Группы были выровнены по успеваемости, возрасту и опыту работы с ИИ-инструментами.
- Контрольная группа работала с текстом и кейсами в стандартном формате: преподаватель, методичка, обсуждение.
- Экспериментальная группа дополнительно использовала DeepTalk Блум — академического ИИ-ассистента с настройкой по таксономии Блума: он не давал готовых ответов, а задавал уточняющие вопросы и помогал переформулировать.
- На 6 из 12 занятий записывалась ЭЭГ с 14-канального оборудования у подгруппы из 36 человек.
- Контрольные срезы — устный экзамен и письменная работа сразу после курса и через 14 дней.
Что показала ЭЭГ
У экспериментальной группы статистически значимо снижалась мощность тета-волн в дорсолатеральной префронтальной коре (DLPFC). Это зона, которая «горит», когда человек удерживает в рабочей памяти большое число технических деталей — формулировок, имён, дат, шагов алгоритма.
Параллельно росла активность в медиальной височной коре, которая отвечает за консолидацию долговременной памяти и связывание новой информации с уже известной. То есть мозг студента не «отдыхал» — он перераспределял ресурс с удержания деталей на осмысление.
Парадокс: ИИ-тьютор не снижал когнитивную активность в целом. Он смещал её из зон процедурной обработки в зоны смыслового анализа. Студент с DeepTalk думал не меньше, а иначе.
Поведенческие данные
Помимо ЭЭГ, фиксировались поведенческие метрики:
- Время продуктивной работы — период, когда студент пишет, формулирует, спрашивает (а не «листает», отвлекается, ищет в браузере). У экспериментальной группы — +27–35 минут за 1,5-часовое занятие.
- Глубина вопросов — доля вопросов уровня «применение/анализ/оценка» по таксономии Блума. У экспериментальной — 42%, у контрольной — 19%.
- Удержание через 14 дней — контрольная работа из 30 заданий. Экспериментальная — 73% правильных ответов, контрольная — 62%.
Академический ИИ-ассистент с настройкой по таксономии Блума — тот самый, что использовался в эксперименте ТГУ.
Почему это работает
Ключевая гипотеза: академический ИИ работает не как «генератор ответов», а как внешняя рабочая память. Он удерживает формулировки, держит контекст разговора, напоминает определения. Это разгружает DLPFC и освобождает ресурс для собственно мышления — синтеза, аналогии, критики.
Решающим фактором оказывается дидактическая настройка. ИИ-ассистент общего назначения (типичный чат-бот) даёт готовый ответ и вызывает обратный эффект: студент перестаёт мыслить. Академический ИИ с настройкой по таксономии Блума ведёт диалог через уточняющие вопросы — и нагрузка перераспределяется в пользу осмысления. Архитектурно DeepTalk встроен в CDO.ЭИОС, поэтому весь цифровой след — вопросы, формулировки, ошибки — остаётся в контуре вуза и пригоден для аккредитации.
Что это значит для методиста
Эффект ИИ в обучении определяется не самой технологией, а её дидактической оболочкой. Один и тот же LLM можно настроить и как «выключатель мышления», и как сократический собеседник. Это вопрос РПД и промптинга, а не вопрос «можно ли пускать студента в ChatGPT». Практическую методичку по встраиванию таксономии Блума в РПД мы собрали в отдельном гайде.
Ограничения исследования
- Выборка — один университет, социогуманитарные направления. Перенос на инженерные специальности требует отдельной проверки.
- Эффект измерен на коротком интервале (один семестр). Долгосрочные эффекты — предмет следующей фазы.
- ИИ-ассистент работал в строго заданной дидактической конфигурации. Эффект «коробочного» ChatGPT/Claude может быть противоположным.
Что дальше
В 2026 году исследование расширяется на 3 университета (МГУ, СПбПУ, ВШЭ) и технические направления. Также готовится протокол для измерения эффекта в дистанционном формате — на инфраструктуре deeptalk.tech.
Полный препринт доступен по запросу через research@cdo-global.ru.
Запросить пилот DeepTalk в вашей ЭИОС
Развернём академический ИИ-ассистент в контуре вуза за 6 недель. Реестр ПО №29118, закупка по 44-ФЗ.
Частые вопросы об исследовании
Доказано ли научно, что ИИ-тьютор улучшает обучение студентов?
Да. Совместный эксперимент Томского государственного университета и CDO Global (2025) на выборке 120 студентов с ЭЭГ-фиксацией показал: студенты, работавшие с академическим ИИ-ассистентом DeepTalk Блум, увеличили время продуктивной работы на 27–35 минут за занятие и улучшили удержание материала через 14 дней на 18% по сравнению с контрольной группой.
Что показала ЭЭГ во время работы студента с ИИ-ассистентом?
У экспериментальной группы статистически значимо снижалась мощность тета-волн в дорсолатеральной префронтальной коре (зона рабочей памяти) и росла активность в медиальной височной коре (зона долговременной памяти). ИИ-тьютор перераспределял когнитивный ресурс с удержания деталей на смысловое осмысление.
Чем академический ИИ-тьютор отличается от обычного ChatGPT для учёбы?
Академический ИИ-ассистент DeepTalk Блум настроен по таксономии Блума и не выдаёт готовых ответов, а ведёт студента через уточняющие вопросы. Универсальный чат-бот, наоборот, даёт готовый ответ и провоцирует «выключение» мышления. Эффект ИИ в обучении определяется дидактической оболочкой, а не самой моделью.
Можно ли использовать данные исследования для аккредитации программы?
Да. Препринт и протокол эксперимента доступны по запросу через research@cdo-global.ru. CDO Global передаёт вузам-партнёрам методические материалы для интеграции выводов в РПД и обоснования применения академического ИИ перед учёным советом.
Применимы ли результаты к техническим направлениям подготовки?
Текущая выборка ограничена социогуманитарными направлениями 2–3 курса. В 2026 году исследование расширяется на МГУ, СПбПУ и ВШЭ с включением инженерных специальностей и дистанционного формата. Перенос выводов на технические дисциплины требует отдельной верификации.
Источники и литература
- Совместное исследование CDO Global и ТГУ, 2025. Препринт по запросу research@cdo-global.ru.
- Bloom B.S. Taxonomy of Educational Objectives: The Classification of Educational Goals. — David McKay, 1956.
- Sweller J., Ayres P., Kalyuga S. Cognitive Load Theory. — Springer, 2011.
- Линейка академических ИИ-ассистентов DeepTalk — deeptalk.tech.
- Платформа CDO.ЭИОС в Реестре российского ПО №29118 — reestr.digital.gov.ru.