Генеративный ИИ в высшем образовании: условия поддержки метакогнитивной регуляции студентов

Цель исследования. Настоящая статья направлена на выявление и системный анализ двойственных эффектов и рисков, связанных с использованием генеративного искусственного интеллекта (ГИИ) в высшем образовании, с особым акцентом на его влияние на метакогнитивные навыки студентов. Цель работы – определить педагогические условия, при которых ГИИ выступает не как замена когнитивной активности, а как целенаправленный инструмент поддержки метакогнитивной регуляции, включающей три её ключевых компонента: планирование, мониторинг и оценку собственного обучения.

Материалы и методы. Работа основана на систематическом анализе эмпирических работ, опубликованных в период с 2023 по 2025 год, включая как количественные, так и качественные исследования в области педагогики, когнитивной психологии и образовательных технологий. В работе применены методы теоретического обобщения, синтеза и структурного анализа научной литературы. В качестве теоретической основы использована модель метакогнитивной регуляции Дж. Флавелла и концепция самоуправляемого обучения Б. Дж. Циммермана, дополненная положениями теории распределённого познания. Результаты. Анализ выявил фундаментальную двойственность влияния ГИИ: с одной стороны, он способен способствовать развитию метакогнитивных навыков через структурированную поддержку, сократическое взаимодействие и рефлексивный диалог; с другой – провоцировать такие негативные явления, как «метакогнитивная лень», ложная самоэффективность и когнитивная пассивность. На основе проведённого синтеза предложена аналитическая рамка, включающая четыре ключевых условия эффективной интеграции ГИИ: (1) чёткое определение функциональной роли ИИ (коуч, оппонент, наставник, фасилитатор и др.); (2) привязка взаимодействия к конкретному компоненту метакогнитивной регуляции; (3) обязательная рефлексивная компонента; (4) обучение промпт-инженерии как метакогнитивному навыку. Разработана типология возможных педагогических стратегий, дифференцированных по трём компонентам регуляции: (1) планирование – ИИ как коуч по обучению; (2) мониторинг – ИИ как «зеркало понимания» или инструмент сравнительного анализа; (3) оценка – ИИ как генератор контраргументов или фасилитатор метадискуссии.

Заключение. Генеративный ИИ сам по себе не несёт однозначного риска или пользы для метакогнитивного развития, его эффект определяется исключительно педагогическим контекстом интеграции. Ключевым условием продуктивного использования является переосмысление роли ИИ как динамичного партнёра по обучению, а не как инструмента автоматизации мышления. Автор призывает к развитию экспериментальной, рефлексивной и диалоговой культуры внедрения ГИИ, ориентированной на сохранение и укрепление когнитивной автономии студентов как фундаментальной цели современного образования. Такой подход предполагает не просто техническое освоение ИИ, а формирование у учащихся критической осознанности, готовности к метауровневому анализу собственных когнитивных стратегий и ответственности за собственный познавательный процесс.

1. Wass R., Rogers T., Brown K., Smith-Han K., Tagg J., Berg D., & Gallagher S. Pedagogical training for developing students’ metacognition: implications for educators // International Journal for Academic Development. 2023. Т. 28. № 3. С. 1–14. DOI: 10.1080/1360144X.2023.2246442.

2. Sandoval-Lee, Eun Y. In Brief: Metacognition & AI in Course Assessment. In: Searle Center for Advancing Learning and Teaching, Northwestern University. 2025. [Электрон. ресурс]. Режим доступа: https://searle.northwestern.edu/resources/our-tools-guides/learning-teaching-guides/in-briefmetacognition-gai-course-assessment.html.

3. Flavell J. H. Metacognition and cognitive monitoring: A new area of cognitive–developmental inquiry // American Psychologist. 1979. Т. 34. №. 10. С. 906–911. DOI: 10.1037/0003-066X.34.10.906.

4. Zimmerman B. J. Becoming a self-regulated learner: An overview // Theory into Practice. 2002. Т. 41. № 2. С. 64–70. DOI: 10.1207/s15430421tip4102_2.

5. Bauer E., Greiff S., Graesser A. C., Sailer M. Looking beyond the hype: Understanding the effects of AI on learning // Educational Psychology Review. 2025. Т. 37. № 2. С. 45. DOI: 10.1007/s10648-025-10020-8.

6. Delikoura I., Fung Y. R., Hui P. From Superficial Outputs to Superficial Learning: Risks of Large Language Models in Education [Электрон. ресурс]. 2025. Режим доступа: https://arxiv.org/html/2509.21972v1.

7. Sidra S., Mason C. Generative AI in humanAI collaboration: validation of the collaborative AI literacy and collaborative AI metacognition scales for effective use // International Journal of Human– Computer Interaction. 2025. Т. 41. № 5. С. 1–25. DOI: 10.1080/10447318.2025.2543997.

8. 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. Т. 56. № 2. С. 489–530. DOI: 10.1111/bjet.13544.

9. Gerlich M. AI tools in society: Impacts on cognitive offloading and the future of critical thinking // Societies. 2025. Т. 15. № 1. DOI: 10.3390/soc15010006.

10. Pitts G., Rani N., Mildort W., Cook E.M. Students’ Reliance on AI in Higher Education: Identifying Contributing Factors. 2025. [Электрон. ресурс]. Режим доступа: https://arxiv.org/html/2506.13845v1.

11. Suriano R., Plebe A., Acciai A., & Fabio R.A. Student interaction with ChatGPT can promote complex critical thinking skills // Learning and Instruction. 2025. Т. 95. DOI: 10.1016/j.learninstruc.2024.102011.

12. Stanton J.D., Halmo S.M., Carter R.J., Yamini K.A., & Ososanya D. Opportunities for guiding development: insights from first-year life science majors’ use of metacognition // Journal of Microbiology and Biology Education. 2024. Т. 25. № 3. DOI: 10.1128/jmbe.00053-24.

13. Zhang L., Xu J. The paradox of selfefficacy and technological dependence: Unraveling generative AI’s impact on university students’ task completion // The Internet and Higher Education. 2025. Т. 65. DOI: 10.1016/j.iheduc.2024.100978.

14. El Louadi M., Ben Romdhane E. Will Humanity Be Rendered Obsolete by AI? [Электрон. ресурс]. 2025. Режим доступа: https://arxiv.org/html/2510.22814v3.

15. Jia W., Pan L., Neary S. Effect of GenAI Dependency on University Students’ Academic Achievement: The Mediating Role of Self-Efficacy and Moderating Role of Perceived Teacher Caring // Behavioral Sciences. 2025. Т. 15. № 10. DOI: 10.3390/bs15101348.

16. Revesai Z. Generative AI dependency: The emerging academic crisis and its impact on student performance – A case study of a university in Zimbabwe // Cogent Education. 2025. Т. 12. № 1. DOI: 10.1080/2331186X.2025.2549787.

17. Jose B., Cherian J., Verghis A.M., VarghiseS.M., Mumthas S, Joseph S. The cognitive paradox of AI in education: between enhancement and erosion // Frontiers in Psychology. 2025. Т. 16. DOI: 10.3389/fpsyg.2025.1550621.

18. Zhai Y., Nezakatgoo B. Evaluating AIPowered Applications for Enhancing Undergraduate Students’ Metacognitive Strategies, Self-Determined Motivation, and Social Learning in English Language Education // Scientific Reports. 2025. Т. 15. № 1. DOI: 10.1038/s41598-025-19118-z.

19. Lowry B., McGrath S., Eitel C., Hall H., Clapp T. R. Leveraging generative AI to foster metacognition and self-directed learning // Journal of Microbiology and Biology Education. 2025. DOI: 10.1128/jmbe.00153-25.

20. Alexander K.M., Johnson M., Farland M.Z., Blue A., Bald E. K. Exploring Generative Artificial Intelligence to Enhance Reflective Writing in Pharmacy Education // American Journal of Pharmaceutical Education. 2025. DOI: 10.1016/j.ajpe.2025.101416.

21. Tran M., Balasooriya C., Semmler C., & Rhee J. Generative artificial intelligence: the ‘more knowledgeable other’ in a social constructivist framework of medical education // NPJ Digital Medicine. 2025. Т. 8. № 1. DOI: 10.1038/s41746- 025-01823-8.

22. Chen S., Cheung A.C.K. Effect of Generative Artificial Intelligence on University Students Learning Outcomes: A Systematic Review and Meta-Analysis // Educational Research Review. 2025. DOI: 10.1016/j.edurev.2025.100737.

23. Hollan J., Hutchins E., Kirsh D. Distributed cognition: Toward a new foundation for human-computer interaction research // ACM Transactions on Computer-Human Interaction. 2000. Т. 7. № 2. С. 174–196. DOI: 10.1145/353485.353487.