ИИ преподавателите през 2026: Обещанието остава, но доказателствата променят въпроса
Podcast
Подкаст
| For several years, AI tutoring has been presented as one of the most promising applications of generative AI in education. The aspiration is easy to understand. A capable AI tutor could provide every student with individualized support, answer questions at any time, adapt explanations to the learner, give immediate feedback, and offer something closer to one-to-one tutoring at a scale traditional education cannot provide. This vision also has an equity dimension. If high-quality human tutoring is expensive and unevenly available, AI might extend personalized support to students who otherwise would not receive it. But recent evidence suggests that the central question is changing. The question is no longer: Can AI provide tutoring? It is becoming: What kind of AI interaction actually produces learning? Two recent sources illustrate this shift especially well: Jing Liu et al randomized university study, “The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement,” and Jeff Young’s Learning Curve podcast episode, “Why the Gates Foundation Is Betting on AI in Education,” featuring Patrick Methvin from the Gates Foundation. Together, they provide both experimental evidence and a strategic response. A university trial with unexpected results Jing Liu and colleagues tested a course-integrated AI tutor with 2,379 undergraduate students at the University of Maryland. The system was not a generic public chatbot. It used GPT-4o, was grounded in instructor-selected course materials, operated within the university learning environment, and was designed specifically to support students in their courses. Yet the results were sobering. Students with access to the tutor did not perform better. In comparable sections of the same course, access to the AI tutor was associated with lower final grades and lower participation in the learning management system. The pattern of use is even more important. Only a relatively small proportion of students used the tutor, and when they did, many interactions involved asking directly for information or answers rather than requesting feedback on their own reasoning. This distinction is important. An AI system may be technically designed as a tutor, while students use it primarily as an answer machine. Students, as per findings in the study, with access to AI engaged less with some existing course activities and asked instructors fewer questions. This raises an important possibility: AI may sometimes substitute for learning activities rather than strengthen them. The Gates Foundation recognizes the same problem The Gates Foundation is investing heavily in AI and education, including AI tutoring. In the podcast conversation with Patrick Methvin is becoming clear, the Foundation is far from assuming current AI tutors already work well. Methvin makes a striking observation: newer frontier models have improved substantially across many benchmarks, yet tutoring performance not so much. Better language models do not automatically produce better teachers. Tutoring requires something different from answering questions correctly. A good tutor needs to decide when to explain, when to ask another question, when to provide a hint, when to let the learner struggle, and sometimes when not to provide the answer at all. Productive friction may be the missing ingredient One of the strongest ideas in the Gates Foundation discussion is the distinction between productive and unproductive friction. Unproductive friction includes administrative obstacles, such as waiting months for transfer-credit decisions or struggling to find routine institutional information. AI can remove these barriers. Productive friction is different. It includes struggling with a difficult problem, attempting an answer, receiving feedback, revising reasoning, and persisting until understanding develops. AI tutoring, muses Methvin in the podcast, needs to preserve this type of friction. Jing Liu’s results show its importance. If students can immediately obtain information or solutions, they may complete tasks faster while engaging in less of the cognitive work through which learning occurs. The goal should therefore not be to make learning frictionless. Good educational AI should remove unnecessary friction while preserving the intellectual effort required for learning. Technical integration is not pedagogical integration Another important lesson emerges from the comparison. Liu’s AI tutor was technically well integrated into university courses. It had access to course content and operated within the institutional learning environment. But technical integration does not automatically create instructional integration. A tutor can be present inside the LMS without being meaningfully connected to assignments, classroom activities, feedback cycles, or learning objectives. The Gates Foundation makes the same point from another direction. Methvin emphasizes that educational outcomes depend on “the tool plus the implementation.” This may be one of the most important lessons for universities. Adding an AI assistant to a course is not an instructional strategy. Faculty need to decide: When should students use it? What should they do before using it? What should the AI be allowed to provide? When should it withhold assistance? How should students evaluate its feedback? How should instructors know whether students are learning independently? From AI tutor to hybrid learning system The Gates Foundation discussion also broadens the idea of AI tutoring. Some of the most promising applications may not involve AI replacing a human tutor at all. AI can instead support instructors by identifying patterns in student performance, highlighting misconceptions, grouping learners according to needs, or showing where confidence and engagement are declining. In this model, AI supports the teacher rather than bypassing the teacher. The workflow becomes: Student activity → AI analysis → Teacher judgment → Human intervention. This is closer to hybrid intelligence than autonomous tutoring. AI provides speed, pattern recognition, and continuous analysis. Teachers provide interpretation, motivation, relationships, judgment, and pedagogical responsibility. Methvin repeatedly returns to these human dimensions of education, especially students’ need to feel seen, supported, and capable. We also need better measures of success Both sources suggest the insufficiencies of immediate performance. A student may complete an exercise successfully with AI assistance without developing knowledge for later be used independently. The Gates Foundation therefore emphasizes longer-term questions: Does the student retain the learning? Can the knowledge transfer to another problem? Can the learner perform independently later? Does AI strengthen or weaken future learning? This distinction between AI-assisted performance and independent competence will become increasingly important for assessment. What are the main lessons? The comparison between Liu’s study and the Gates Foundation strategy points to a clear shift in the AI tutoring debate. AI access does not automatically improve learning. A capable language model is not automatically a capable tutor. Productive struggle remains essential, and pedagogy matters as much as model capability. Teachers need to remain central, while institutions need to evaluate retention, transfer, engagement, and equity rather than task completion alone. The key question is therefore: How do we design AI-supported learning so that assistance strengthens rather than replaces thinking? Why Bulgarian academia needs to be part of this path Bulgarian universities should participate in this process now, through small pilots, cross-disciplinary experimentation, and systematic evaluation of students use AI in real courses. The priority should be to build local evidence and institutional expertise, rather than adopt systems solely on the basis of vendor claims or international enthusiasm. This means testing where AI tutoring adds value, where it creates cognitive offloading, how it affects different groups of students, and how faculty can integrate it into teaching and assessment. The strategic goal is not just introduce AI tutors. It is to develop evidence-based models of human-AI learning that fit the realities of Bulgarian higher education. | От няколко години AI преподавателите се представят като едно от най-обещаващите приложения на генеративния AI в образованието. Стремежът е лесен за разбиране. Един способен AI преподавател би могъл да предоставя индивидуализирана подкрепа на всеки студент, да отговаря на въпроси по всяко време, да адаптира обясненията към обучаемия, да дава незабавна обратна връзка и да доближи обучението до индивидуалното преподаване в мащаб, който традиционното образование трудно може да осигури. Тази визия има и измерение, свързано с равнопоставеността. Ако висококачественото индивидуално преподаване от човек е скъпо и неравномерно достъпно, AI може да разшири персонализираната подкрепа до студенти, които иначе не биха я получили. Но последните доказателства показват, че централният въпрос се променя. Въпросът вече не е: Може ли AI да предоставя обучение? Той постепенно се превръща в: Какъв тип взаимодействие с AI действително води до учене? Два скорошни източника илюстрират тази промяна особено добре: рандомизираното университетско изследване на Jing Liu и съавтори, “The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement”, и епизодът от подкаста Learning Curve на Jeff Young, “Why the Gates Foundation Is Betting on AI in Education”, с участието на Patrick Methvin от Gates Foundation. Заедно те предлагат както експериментални доказателства, така и стратегически отговор. Университетски експеримент с неочаквани резултати Jing Liu и колегите ѝ тестват интегриран в курса AI преподавател сред 2 379 студенти в University of Maryland. Системата не е обикновен публичен чатбот. Тя използва GPT-4o, работи с избрани от преподавателите учебни материали, интегрирана е в университетската учебна среда и е създадена специално, за да подкрепя студентите в техните курсове. Резултатите обаче са обезпокоителни. Студентите с достъп до AI преподавателя не постигат по-добри резултати. В сравними групи по един и същ курс достъпът до AI преподавателя е свързан с по-ниски крайни оценки и по-ниско участие в системата за управление на обучението. Още по-важен е начинът, по който студентите използват системата. Само сравнително малка част от тях реално използват AI преподавателя, а когато го правят, много от взаимодействията са насочени към директно получаване на информация или отговори, вместо към обратна връзка върху собственото им мислене. Това разграничение е важно. Една AI система може технически да бъде проектирана като преподавател, но студентите да я използват предимно като машина за отговори. Според резултатите от изследването студентите с достъп до AI участват по-малко в част от съществуващите учебни дейности и задават по-малко въпроси на преподавателите. Това поражда важна възможност: AI понякога може да замества учебни дейности, вместо да ги подсилва. Gates Foundation разпознава същия проблем Gates Foundation инвестира сериозно в AI и образование, включително в AI преподаватели. От разговора с Patrick Methvin в подкаста става ясно, че фондацията далеч не приема, че настоящите AI преподаватели вече работят достатъчно добре. Methvin прави важно наблюдение: по-новите гранични модели са подобрили значително представянето си по множество показатели, но напредъкът при преподаването е много по-ограничен. По-добрите езикови модели не се превръщат автоматично в по-добри преподаватели. Преподаването изисква нещо различно от правилно отговаряне на въпроси. Добрият преподавател трябва да преценява кога да обясни, кога да зададе допълнителен въпрос, кога да даде подсказка, кога да остави обучаемия да се затрудни и понякога кога изобщо да не дава отговор. Продуктивното затруднение може да е липсващият елемент Една от най-силните идеи в дискусията на Gates Foundation е разграничението между продуктивно и непродуктивно затруднение. Непродуктивното затруднение включва административни препятствия, като изчакване с месеци за решение относно признаване на кредити или трудности при намиране на рутинна институционална информация. AI може да премахне такива бариери. Продуктивното затруднение е различно. То включва работа по труден проблем, опит за формулиране на отговор, получаване на обратна връзка, преработване на разсъжденията и продължаване до достигане на разбиране. Methvin разсъждава в подкаста, че AI преподаването трябва да запази именно този тип затруднение. Резултатите на Jing Liu показват защо това е важно. Ако студентите могат веднага да получат информация или решения, те могат да приключват задачите по-бързо, но да извършват по-малко от когнитивната работа, чрез която настъпва ученето. Следователно целта не трябва да бъде ученето да стане напълно без усилие. Добрият образователен AI трябва да премахва ненужното затруднение, като същевременно запазва интелектуалното усилие, необходимо за учене. Техническата интеграция не е педагогическа интеграция Сравнението води и до още един важен извод. AI преподавателят в изследването на Liu е добре интегриран технически в университетските курсове. Той има достъп до съдържанието на курса и функционира в институционалната учебна среда. Но техническата интеграция не създава автоматично педагогическа интеграция. Един AI преподавател може да присъства в LMS, без да бъде смислено свързан със заданията, дейностите в аудиторията, циклите на обратна връзка или учебните цели. Gates Foundation достига до същия извод от друга перспектива. Methvin подчертава, че образователните резултати зависят от „инструмента плюс начина на внедряване“. Това може да бъде един от най-важните уроци за университетите. Добавянето на AI асистент към даден курс не представлява само по себе си педагогическа стратегия. Преподавателите трябва да решат: Кога студентите трябва да го използват? Какво трябва да направят преди да го използват? Какво трябва да бъде позволено на AI да предоставя? Кога трябва да задържа помощта? Как студентите трябва да оценяват неговата обратна връзка? Как преподавателите могат да разберат дали студентите учат самостоятелно? От AI преподавател към хибридна учебна система Дискусията на Gates Foundation разширява и самата идея за AI преподаване. Някои от най-обещаващите приложения може изобщо да не включват замяна на човешки преподавател с AI. AI може вместо това да подпомага преподавателите, като идентифицира модели в представянето на студентите, откроява погрешни разбирания, групира обучаемите според техните нужди или показва къде увереността и ангажираността намаляват. В този модел AI подпомага преподавателя, вместо да го заобикаля. Работният процес изглежда така: Активност на студента → AI анализ → Преценка на преподавателя → Човешка интервенция. Това е по-близо до хибридна интелигентност, отколкото до автономно AI преподаване. AI осигурява скорост, разпознаване на модели и непрекъснат анализ. Преподавателите осигуряват интерпретация, мотивация, взаимоотношения, преценка и педагогическа отговорност. Methvin многократно се връща към тези човешки измерения на образованието, особено към необходимостта студентите да се чувстват забелязани, подкрепени и способни. Нуждаем се и от по-добри критерии за успех И двата източника показват недостатъчността на непосредственото представяне като основен критерий. Един студент може успешно да изпълни задача с помощта на AI, без да изгради знания, които по-късно да използва самостоятелно. Затова Gates Foundation поставя акцент върху по-дългосрочни въпроси: Запазва ли студентът наученото? Може ли да прехвърли знанията към друг проблем? Може ли по-късно да се справи самостоятелно? AI укрепва ли или отслабва бъдещото учене? Това разграничение между представяне с помощта на AI и самостоятелна компетентност ще става все по-важно за оценяването. Какви са основните изводи? Сравнението между изследването на Liu и стратегията на Gates Foundation показва ясна промяна в дебата за AI преподаването. Достъпът до AI не подобрява автоматично ученето. Способният езиков модел не е автоматично способен преподавател. Продуктивното усилие остава съществено, а педагогиката има същото значение като възможностите на модела. Преподавателите трябва да запазят централна роля, а институциите трябва да оценяват задържането на знания, трансфера, ангажираността и равнопоставеността, а не само изпълнението на конкретни задачи. Следователно ключовият въпрос е: Как да проектираме обучение с AI така, че помощта да подсилва мисленето, вместо да го заменя? Защо българската академична среда трябва да бъде част от този процес Българските университети трябва да участват в този процес още сега, чрез малки пилотни инициативи, междудисциплинарни експерименти и систематично оценяване на начина, по който студентите използват AI в реални курсове. Приоритетът трябва да бъде изграждането на локални доказателства и институционална експертиза, вместо приемането на системи единствено въз основа на твърдения на доставчици или международен ентусиазъм. Това означава да се изследва къде AI преподаването създава реална стойност, къде води до когнитивно делегиране, как влияе върху различни групи студенти и как преподавателите могат да го интегрират в обучението и оценяването. Стратегическата цел не е просто да въведем AI преподаватели. Целта е да разработим основани на доказателства модели за учене човек-AI, които отговарят на реалностите на българското висше образование. |