ChatGPT і схожі моделі різко піднімають результат виконання задачі — оцінку за вправу, швидкість коду, гладкість тексту. Це не означає, що вони автоматично піднімають набуту навичку. У польовому експерименті майже з тисячею школярів GPT-4 покращував практику на десятки відсотків, а після вимкнення звичайний чат залишав учнів слабшими за групу без ШІ. Проблема не в «ШІ взагалі», а в тому, яку когнітивну роботу людина йому віддає.
Головне
Результат задачі й навчання — різні речі. Правильна відповідь із підказкою моделі не дорівнює вмінню відтворити розв’язок без неї за тиждень.
Без огороджень ШІ може заважати. У дослідженні PNAS (2025) вільний GPT-4 давав +48% на практиці й −17% на іспиті без ШІ відносно контролю.
Педагогічний режим змінює картину. Той самий GPT-4 із підказками замість готових відповідей знімав негативний ефект на навчання майже повністю.
Метааналізи не сперечаються з парадоксом. У вишах GenAI у середньому пов’язаний із позитивними наслідками — особливо коли вбудований у осмислену педагогіку, а не в режим «розв’яжи за мене».
Частота і мета використання важливі. Дані PISA-2025 показують нелінійність: помірне використання «щоб учитися» виглядає інакше, ніж щоденна видача готових чернеток. Це кореляції, не доказ причинності.
Performance і learning — два різні рахунки
Коли ви просите модель розв’язати рівняння, написати функцію чи переказати розділ, ви вимірюєте performance: наскільки добре задачу виконано зараз, із доступним інструментом. Навчання — інший рахунок. Воно відповідає на питання: чи зможу я повторити розв’язок сам? Чи втримається принцип через тиждень? Чи перенесеться він на трохи іншу задачу? Чи зможу я пояснити хід іншій людині?
Ці рахунки розходилися й до чат-ботів. Калькулятор підвищує performance в арифметиці, але не замінює розуміння розрядів. Пошук у Google підвищує доступ до фактів, але все одно вимагає сформулювати запит, порівняти джерела й зібрати відповідь. Генеративний ШІ робить наступний крок: він видає готове розв’язання, а не лише посилання. Саме тому розрив між «вийшло» і «навчився» став особливо гострим.
У термінах HiddenLogic це близько до бажаних труднощів і активного пригадування. Зусилля, помилка, пошук закономірності й повторна спроба — не прикрий шум. Це частина формування навички. Якщо ШІ прибирає все корисне тертя, performance зростає, а learning може стагнувати або падати.
Що показав експеримент із GPT-4 у школярів
У 2025 році в Proceedings of the National Academy of Sciences вийшла робота Hamsa Bastani, Osbert Bastani та колег: Generative AI without guardrails can harm learning: Evidence from high school mathematics (DOI 10.1073/pnas.2422633122). Це польовий експеримент майже з тисячею учнів старшої школи (математика; у популяризації часто уточнюють турецьку школу й участь Wharton/Penn).
Автори порівняли три умови. Контроль учився без генеративного ШІ. Група GPT Base отримала інтерфейс у дусі звичайного ChatGPT на GPT-4. Група GPT Tutor — той самий клас моделей, але з педагогічними огородженнями: підказки й наведення, а не готова відповідь із першого запиту. ШІ покривав помітну частку практики з теми (порядку 15% навчального матеріалу в описі дослідження).
На практиці з доступом до моделі картина виглядала як «перемога ШІ»:
| Умова | Результат відносно контролю |
|---|---|
| GPT Base під час практики | +48% до оцінок |
| GPT Tutor під час практики | +127% |
| GPT Base на іспиті без ШІ | −17% відносно контролю |
Тобто вільний GPT-4 допомагав виконувати задачі й шкодив учитися їх виконувати. Автори прямо пов’язують це з режимом «милиці»: учні отримують правильну відповідь, менше будують власну навичку й на контрольній без моделі виявляються слабшими за тих, хто спочатку працював без ШІ.
Критична деталь: у GPT Tutor негативний ефект на іспиті значною мірою зникав. На практиці Tutor давав ще більший приріст, а на іспиті без ШІ група була порівнянна з контролем — тобто огородження зберігали навчання, не скасовуючи допомогу. Висновок дослідження не «заборонити ШІ», а «обережно з дизайном»: без guardrails генеративна модель може погіршувати освітні наслідки.
Варто окремо сказати про «дослідження NVIDIA». Гучної роботи NVIDIA з формулюванням на кшталт «успішність людей падає через ШІ» у відкритих джерелах не знаходиться. У NVIDIA є освітні кейси й інструменти для педагогічних асистентів (підказки замість готових відповідей) — це радше збігається з логікою GPT Tutor, ніж із міфом про корпоративне дослідження «ШІ робить нас дурнішими». У пам’яті часто змішуються PNAS/Wharton, інші академічні роботи й бренд NVIDIA.
Чому готова відповідь заважає вчитися
Коли модель одразу видає розв’язок, мозок пропускає ділянку роботи, на якій зазвичай будується навичка: утримання мети, вибір стратегії, виявлення помилки, повернення до принципу. Це родич когнітивного аутсорсингу — передачі частини мислення зовнішньому інструменту. Аутсорсинг корисний, коли мета — швидкість і якість продукту. Він шкідливий, коли мета — саме сформувати внутрішню процедуру.
Корисне тертя в навчанні включає помилку, зусилля пригадати, порівняння варіантів і самопояснення. Метакогніція якраз учить помічати: «мені зараз легко, бо я зрозумів — чи бо хтось зрозумів за мене?». Гладке пояснення ШІ майже завжди відчувається як розуміння. Це класична ілюзія компетентності: упізнавання чужого розв’язку плутають із здатністю породити своє.
Пошук у Google був менш «небезпечним» саме тому, що залишав більше самостійних операцій: сформулювати запит, відкрити кілька сторінок, відфільтрувати шум, зібрати відповідь. Генеративний ШІ стискає цей ланцюг до одного повідомлення. Тому поруч із цим гідом корисний розбір саммарі ШІ: готовий текст — гіпотеза, доки ви не перевірили факти й не відновили логіку своїми словами.
Але ШІ не «погіршує освіту» за замовчуванням
Картина не зводиться до одного шкільного експерименту. Метааналіз Chen і Cheung (Educational Research Review, 2025) об’єднав 57 досліджень і 97 оцінок ефекту GenAI на наслідки університетських студентів і знайшов великий позитивний сумарний ефект (g+ ≈ 0.804), зокрема за академічною успішністю та higher-order thinking; за метакогніцією ефект у цій роботі не був статистично переконливим.
Свіжий трирівневий метааналіз 2026 року (Frontiers in Psychology / PMC) включив 36 емпіричних робіт, 132 розміри ефекту і 7229 учасників. Загальний ефект GenAI на learning outcomes у вищій освіті — середній позитивний (g = 0.499). Сильніше виглядали розуміння / когнітивно-креативні наслідки та higher-order learning; значущим модератором виявився метод викладання: collaborative і blended сценарії давали більші ефекти.
Ці результати не спростовують PNAS. Вони уточнюють контекст. Метааналізи частіше вимірюють наслідки за наявності ШІ в навчальному дизайні — зворотний зв’язок, пояснення, спільна робота — а не режим безконтрольного копіювання відповідей. Експеримент Bastani et al. спеціально розділяє performance під час доступу й learning після вимкнення. Поки ви не вимірюєте обидва шари, «ШІ допоміг» і «людина навчилася» легко сплутати.
Що натякають дані PISA-2025
Перший том результатів PISA-2025 (OECD) включає питання про використання ШІ школярами. Картина нелінійна й обережна щодо інтерпретації.
Учні, які не використовують ШІ-чатботи для конкретних шкільних задач (сумаризація читання, чернетка тексту, попередній пошук), у середньому показують вищі бали з науки, ніж ті, хто використовує ШІ для цих задач. Серед тих, хто використовує ШІ з метою «допомогти мені вчитися», картина інша: приблизно щотижневе використання пов’язане з результатами, близькими до не-користувачів (після врахування соціально-економічного профілю), а дуже рідкісне або майже щоденне — частіше з нижчими. Коли в школі є завдання на оцінку якості інформації, згенерованої ШІ, часті «навчальні» користувачі виглядають трохи краще — але такі можливості частіше є в соціально благополучних учнів, і OECD прямо попереджає про ризик нового розриву в AI-literacy.
Критично: це кореляції, не доказ, що ШІ «зробив бали». Учні, які обирають різні режими використання, вже різняться за навичками, мотивацією і підтримкою. Проте патерн збігається з експериментальною логікою: мета й інтенсивність важливіші за сам факт «є ChatGPT».
Три режими ШІ: калькулятор, викладач, екзаменатор
Корисно явно обирати роль моделі, а не «просто відкривати чат».
ШІ як калькулятор. «Розв’яжи / напиши / зроби за мене». Максимізує performance. Ризик для learning максимальний, якщо саме ця задача мала тренувати навичку.
ШІ як викладач. «Не давай відповідь. Дай одну підказку. Запитай, що я вже пробував. Вкажи на помилку в моєму міркуванні». Ближче до GPT Tutor і до того, що метааналізи називають продуктивним вбудовуванням.
ШІ як екзаменатор. «Закрий розв’язок. Задай мені п’ять питань. Перевір мою відповідь без підказок. Дай схожу задачу». Це переносить активне пригадування у діалог із моделлю — за умови, що ви справді відповідаєте до того, як підглянути.
Практичний гід HiddenLogic щодо сесій, перевірки фактів і карток — у «Як учитися з ШІ». Тут важливіший стратегічний вибір: яку роль ви призначили моделі у цій задачі.
Програмування: де парадокс особливо помітний
ШІ за секунди пише функцію, компонент, SQL і тести. Performance злітає. Водночас скорочуються самостійне проєктування, читання помилок, робота з документацією й утримання API в пам’яті — тобто саме ті петлі, з яких росте інженерна навичка.
Нова компетенція розробника зміщується: не «писати код без ШІ будь-якою ціною», а розуміти архітектуру, формулювати задачу, перевіряти результат, знаходити помилки моделі, читати згенерований код і приймати інженерні рішення. Якщо ви ніколи не закриваєте чат і не відтворюєте розв’язок самі, ви тренуєте постановку промпту, а не володіння стеком — і це нормально лише якщо промпт і є вашою метою.
Той самий тест із п’яти питань після задачі працює й тут: що зробив я, що зробила модель, що я зрозумів нового, чи зможу повторити без ШІ, чи зможу перенести на сусідній кейс.
Протокол «ШІ без втрати навички»
Перед ШІ
Витратьте 5–15 хвилин на самостійну роботу. Сформулюйте проблему своїми словами. Запишіть гіпотезу або чорновий план. Навіть хибна спроба створює «гачки», на які потім сяде пояснення моделі.
Під час ШІ
Просіть підказки, а не готове розв’язання з першої репліки. Перевіряйте кожне важливе твердження. Ставте уточнювальні питання («чому цей крок, а не інший?»). Якщо модель видала код або доказ цілком — не копіюйте одразу: перекажіть наступний крок і лише потім звіртеся.
Після ШІ
Закрийте чат. Відтворіть розв’язок самостійно. Розв’яжіть змінену версію задачі. Поясніть принцип своїми словами — собі, колезі або назад моделі в режимі екзаменатора. Без цього кроку ви купили performance і не оплатили learning.
П’ять контрольних питань після серйозної задачі:
- Що зробив я?
- Що зробив ШІ?
- Що нового я зрозумів?
- Чи зможу повторити без ШІ?
- Чи зможу застосувати в новій ситуації?
Якщо на 4–5 відповідь «ні», ШІ допоміг виконати задачу, але не допоміг сформувати навичку.
ШІ як екзоскелет мозку — і як милиця
Калькулятор — екзоскелет обчислень. Пошук — екзоскелет пам’яті. Генеративний ШІ — екзоскелет міркування: він може нести частину планування, формулювань і чорнової логіки. Різниця в режимі використання та сама, що між тренажером і милицею. Якщо постійно ходити на милицях, м’язи слабшають. Якщо використовувати опору, щоб тренувати рух із правильним навантаженням, сила росте.
Звідси й освітній зсув. Коли машина вміє відтворювати відповіді, цінність простого відтворення падає. Росте ціна розуміння, перевірки, постановки задачі й пояснення — теми, які HiddenLogic уже розбирає в критичному мисленні і в статті про те, чому вчитися в епоху ШІ.
Часті помилки
Вважати зростання оцінки на практиці доказом навчання
Практика з відкритим чатом вимірює спільну систему «людина + модель». Іспит без моделі вимірює людину. Плутати ці метрики — головне джерело хибного оптимізму.
Просити готову відповідь «щоб швидше зрозуміти»
Часто ви швидше впізнаєте розв’язок і повільніше вчитеся його будувати. Підказка й розбір вашої спроби майже завжди кращі за чисте розв’язання, якщо мета — навичка.
Довіряти відчуттю «тепер усе ясно»
Ясність після чужого пояснення — слабкий сигнал. Сильний сигнал — закрите відтворення й перенесення на нову задачу.
Використовувати ШІ лише як калькулятор, а потім дивуватися провалу без нього
Це передбачуваний наслідок за логікою PNAS-експерименту, а не особиста «нездатність до математики».
Ігнорувати перевірку фактів
Навіть у режимі репетитора модель може впевнено помилятися. Learning на хибному поясненні гірше, ніж повільне learning на вірному джерелі.
Часті питання
ШІ реально погіршує здатність учитися?
Не завжди. Без огороджень і в режимі готових відповідей — може, як в експерименті PNAS зі шкільною математикою. У навчальних дизайнах зі зворотним зв’язком і спільною роботою метааналізи частіше знаходять позитивні ефекти. Вирішує спосіб використання.
Чим performance відрізняється від learning?
Performance — якість результату зараз, часто з інструментом. Learning — стійка навичка, яка лишається, коли інструмент прибрали, і переноситься на нові задачі.
Чому GPT Tutor кращий за звичайний GPT для навчання?
Бо він зберігає частину корисного тертя: підказки замість готової відповіді змушують учня продовжувати будувати розв’язок самому. У PNAS це знімало негативний ефект на іспиті без ШІ.
Чи означає метааналіз g = 0.499, що ШІ завжди корисний?
Ні. Це середній ефект за включеними дослідженнями вищої освіти за конкретних умов. Він не скасовує ризиків когнітивного аутсорсингу й не описує всі віки та всі режими використання.
Що каже PISA-2025 про ШІ?
Зв’язок нелінійний: не-користувачі для конкретних шкільних задач часто показують вищі бали; помірне використання «щоб учитися» ближче до не-користувачів; дуже часте — частіше нижче. OECD підкреслює: це кореляції.
Чи було дослідження NVIDIA про падіння успішності через ШІ?
Публічного дослідження NVIDIA з таким формулюванням не видно. Схожі тезиси краще спирати на PNAS Bastani et al. і суміжні академічні роботи; у NVIDIA радше кейси про педагогічних асистентів із підказками.
Як користуватися ChatGPT, щоб не втратити навичку?
Спочатку своя спроба; потім підказки й перевірка; потім відтворення без чату. Детальний протокол сесій — у гіді з навчання з ШІ.
Чи потрібно повністю відмовитися від ШІ під час навчання?
Ні. Відмова — крайність. Раціональніше заборонити собі режим «розв’яжи за мене» на задачах, які якраз і тренують цільову навичку, і залишити модель для пояснень, контрприкладів, екзаменаційних питань і розбору помилок.
Чому програмістам особливо важливо закривати чат?
Бо генерація коду дає миттєвий performance, а інженерна навичка росте на проєктуванні, налагодженні й розумінні системи. Без фази «повтори сам» ви тренуєте промпт, а не володіння інструментом.
Як перевірити, що я реально зрозумів матеріал після ШІ?
Закрийте чат і зробіть три речі: поясніть принцип своїми словами, розв’яжіть схожу задачу, змініть умову. Якщо хоча б один крок розсипається — розуміння було впізнаванням, не навичкою.
Подальше читання
- Як учитися з ШІ: повний гід — сесії, перевірка фактів, картки
- Як ШІ змінює те, чому варто вчитися — зсув дефіциту знання
- Активне пригадування — витягування без підказки
- Бажані труднощі — чому корисне зусилля відчувається гірше
- Метакогніція в навчанні — калібрування «зрозумів / здається, що зрозумів»
- Як читати саммарі ШІ — не втрачати шари доказовості
- Критичне мислення: повний гід — перевірка тверджень і джерел
Висновок
Головна проблема не в тому, що ШІ надто добре відповідає. Проблема починається, коли людина перестає питати: «а чи зможу я зробити це сам?»
ШІ може бути милицею, калькулятором, особистим викладачем або підсилювачем мислення. Різницю визначає не потужність моделі, а те, яку когнітивну роботу ви залишаєте собі. Експеримент із GPT-4 у школярів показав розходження performance і learning у чистому вигляді. Метааналізи та PISA додають нюанс: за правильного дизайну й помірної навчальної мети ефект може бути позитивним — але це не індульгенція на аутсорс мислення.
AI може зробити людину ефективнішою, не зробивши її компетентнішою. Питання епохи — не «чи може машина зробити це за мене?», а «що лишиться в моїй голові після того, як машина це зробить?»