Искусственный интеллект (ИИ) всё больше влияет на принятие решений в разных сферах, поэтому возникает необходимость повышения AI-грамотности не только среди программистов, но и среди обучающихся, преподавателей и широкой публики. Однако многие существующие подходы основаны на сложных инструментах программирования или абстрактных лекциях, что ограничивает доступ для не-технической аудитории.

В работе за авторством Варриер А.М., Агарвал А., Савелка Я., Богарт К., Бурт Х. от 7 ноября 2025 представлены исследования учебной программы, направленной на повышение AI-грамотности среди 15 преподавателей колледжей.

«Мне нравится, что приходится копаться» Эта цитата одного из преподавателей стала ключевой в исследовании. Учёные обнаружили: чем больше студенты могли экспериментировать, тем глубже понимали материал. Вместо скучных лекций студенты попадают в симуляции: оценивают работу чат-бота в клинике, настраивают систему распознавания животных в заповеднике или анализируют, почему алгоритм отказывает в помощи бездомным.

Курс строится на простой идее: чтобы понять ИИ, нужно почувствовать себя тем, кто с ним работает. Студенты примеряют роли различных профессий:

• В проекте про здравоохранение студент становится инженером в медтех-компании и оценивает, можно ли доверять ИИ в диагнозах.

• В экологическом сценарии - стажёр по компьютерному зрению, который выбирает модель для подсчёта животных.

• В социальном проекте - сотрудник службы поддержки жилья, принимающий решения о помощи семьям на основе прогнозов ИИ.

Очень хорошо, что студенту приходится искать ответ, - отметил один из преподавателей. Это не пассивное потребление информации, а активное участие.

Что это значит для образования? Сегодня 66% девушек на технических курсах теряют уверенность из-за требований программирования, но исследование доказывает: ИИ-грамотность - это не только код.

Это:

• Умение задавать правильные вопросы алгоритмам.

• Понимание последствий автоматизации в разных профессиях.

• Способность видеть этические дилеммы и находить компромиссы.

Как резюмировал один из преподавателей: После этого курса мои студенты-педагоги перестали бояться ИИ. Они начали спрашивать: "А как это повлияет на моих будущих учеников?".

Как внедрить эти подходы

Исследователи из Карнеги-Меллон не просто разработали теорию - они создали конкретную методологию, которую преподаватели могут адаптировать под свои дисциплины. Вот как это сделать:

Начните с реальных кейсов вашей отрасли Представьте, что вы преподаете журналистику. Вместо абстрактных уроков об ИИ, создайте сценарий, где студенты должны оценить, можно ли доверять генерируемым новостям от нейросети. Пусть они анализируют признаки подделки, проверяют источники и принимают решение о публикации - как настоящий редактор.

Или преподаете психологию? Разработайте задание, где студенты выступают в роли консультантов, оценивающих этичность использования ИИ в терапии. Какие границы нельзя переступать? Когда автоматизация помогает, а когда вредит?

Главное это связать технологии с профессиональной реальностью студентов. Как отметил один из участников исследования: Когда ты видишь, как ИИ влияет на твой будущий труд, ты начинаешь относиться к этому серьезно.

Создайте безопасное пространство для ошибок В проекте с медицинским чат-ботом преподавателям нужно было специально взламывать систему - находить способы вытянуть конфиденциальные данные пациентов. Это показывает: ошибки -не провал, а инструмент обучения.

Мне нравится, что ошибки здесь - часть пути, — признался один из инструкторов. Но хорошо бы предупреждать студентов: "Да, это займет время. И это нормально".

Практически каждый преподаватель в исследовании подчеркивал важность психологической безопасности в обучении. Когда студенты знают, что могут ошибаться, они глубже погружаются в материал.

Настройте уровень поддержки Одна из главных сложностей - найти баланс между свободой исследования и необходимой поддержкой. Исследователи обнаружили: слишком много автономии иногда превращается в хаос.

Когда различия между случаями минимальны, студенты начинают чувствовать, что просто угадывают ответ, - честно признали преподаватели.

Чтобы этого избежать, внедрите систему постепенных подсказок:

Сначала дайте открытую задачу

Предоставьте чек-лист вопросов для рефлексии

Если студент застрял - предложите пример решения похожей задачи

В крайнем случае - покажите правильный ответ с объяснением

Подсказки не ограничивают автономию, — объяснил один из инструкторов. — Они помогают оставаться в процессе.

Используйте ролевые игры для понимания разных точек зрения В одном из проектов студенты взаимодействовали с виртуальными коллегами: техническим руководителем и менеджером проекта. Каждый персонаж давал разную информацию, отражая реальные рабочие конфликты между техническими возможностями и бизнес-целями.

Это учит не только алгоритмам, но и диалогу между специалистами, — резюмировал преподаватель из бизнес-школы.

Один из преподавателей предложил простой способ оценки: Попросите студентов через месяц после курса объяснить, как ИИ повлияет на их будущую профессию. Если они говорят конкретно, а не абстрактно, то метод работает.

Практический результат

После экспериментов с программой преподаватели сообщили о значительных изменениях в студентах:

• Рост уверенности в обсуждении ИИ даже у гуманитариев

• Умение критически оценивать технологические новинки

• Понимание ограничений алгоритмов в разных профессиях

• Осознание этических последствий автоматизации

Как отметили исследователи Карнеги-Меллон, технологии должны служить людям, а не наоборот. Этот подход особенно важен сегодня, когда искусственный интеллект все глубже проникает в нашу профессиональную и личную жизнь

Добывающие отрасли сегодня сталкиваются с необходимостью оптимизации расходов и снижения экологической нагрузки. Это связано с тем, что условия разработки месторождений ухудшаются, а тарифы на электроэнергию, основную часть расходов предприятий, увеличиваются. Кроме того, инвесторы все чаще вкладываются в «зеленые» проекты, ужесточаются экологические требования, а также усиливается спрос на ответственный подход к природопользованию. Поэтому оптимизация процессов добычи полезных ископаемых стала для компаний не просто способом повысить эффективность работы, а необходимым условием для развития в современных реалиях.

Одним из самых энергозатратных процессов является разрушение горных пород, на которое может приходиться до 50% всего энергопотребления предприятия. В калийной промышленности России эта проблема стоит особенно остро. Технологические процессы в этой отрасли характеризуются высокими энергетическими затратами из-за производственной сложности.

Основной причиной низкой эффективности добычи считается неоптимальная конструкция резцов — сменных металлических «зубьев», которые являются главным рабочим инструментом комбайнов. Именно они «вгрызаются» в пласт породы и откалывают от него руду. И от того, насколько удачно сделана их форма, зависит, сколько энергии потребляет комбайн, как производительно он работает и сколько полезного ископаемого может добыть.

Современная калийная промышленность часто использует неповоротные типы резцов, которые имеют серьезные недостатки, ограничивающие эффективность добычи. К примеру, модели РС-14 из-за своей не рациональной формы разрушают руду с высокими удельными затратами энергии и значительным количеством мелких классов в руде. Это не только увеличивает нагрузку на оборудование, но и вынуждает чаще останавливать технику для замены изношенных деталей, что влияет на себестоимость добычи.

Ученые Пермского Политеха разработали и испытали новую конструкцию резцов для горнодобывающих комбайнов. Исследователи доказали, что оптимизированная конструкция инструмента позволяет снизить удельное энергопотребление на добычу калийных руд на 15-30% и значительно увеличить срок службы оборудования.

Чтобы разработать новую модель резцов РС-55, эксперты создали чертеж инструмента и изготовили реальный образец. Он был сконструирован с выпуклыми режущими поверхностями. Это необходимо для того, чтобы, когда одна сторона затупляется, резец можно просто перевернуть в держателе, и в работу вступит не затупленная часть.

Для всесторонней проверки эффективности перспективного образца был использован разработанный учеными в рамках исследования лабораторный стенд – физическая модель процесса резания, которая позволяет имитировать работу промышленного оборудования. Эксперты оснастили его высокоточными датчиками, которые фиксировали малейшие изменения силы резания с частотой 1000 измерений в секунду.

В качестве тестируемого материала ученые выбрали строительные гипсовые плиты, поскольку они более доступны, чем калийная руда, но имеют аналогичный характер разрушения. Это позволило значительно удешевить и ускорить процесс испытаний, сохранив при этом достоверность результатов.

— Для исследования готового инструмента в держатель лабораторного стенда вставляли изготовленный резец. Далее перед ним надежно закрепляли блок гипса, выполнявший роль более доступного заменителя калийной руды. Стенд с огромной силой толкал резец, а в этот момент установленные датчики в реальном времени измеряли, какое усилие требуется, чтобы прорезать материал. Эти данные и позволили нам объективно оценить эффективность конструкции, — отметил Дмитрий Шишлянников, доктор технических наук, профессор кафедры «Горная электромеханика» ПНИПУ.

После создания нового резца ученые начали испытания и проверяли инструмент в разных режимах работы. В процессе они меняли два основных параметра: толщину стружки (насколько глубоко резец внедряется в породу за один проход) и шаг резания (расстояние между соседними резами). Главной задачей было найти рациональное сочетание показателей, при котором сила резания на инструменте и удельные затраты энергии на разрушение породы будут минимальными.

— Мы проводили испытания по двум широко используемым на практике схемам резания. Первая — последовательная, когда инструмент каждый раз проходит по одному и тому же следу. Вторая — шахматная. Это более совершенная схема, при которой каждый новый рез делается между двумя предыдущими. Это позволяет эффективнее отделять породу, так как инструмент разрушает материал по наведенным трещинам, — дополнил Дмитрий Шишлянников.

В ходе каждого эксперимента фиксировались не только параметр усилия резания, но и собирались все продукты разрушения для последующего взвешивания. На основе этих данных ученые рассчитали, сколько энергии тратится на один кубометр породы.

В результате, резец РС-55 продемонстрировал снижение среднего усилия при работе и энергозатрат на 15-30% по сравнению с традиционными типами резцов. Такой разброс в проценте указывает на то, что максимальный эффект достигается при определенных режимах, но положительный результат наблюдается всегда.

Внедрение резцов РС-55 позволит горнодобывающим предприятиям существенно снизить операционные расходы за счет экономии электроэнергии и сокращения затрат на приобретение режущего инструмента. Уменьшение нагрузок на комбайны также повысит их общую надежность и сократит время простоев промышленного оборудования.