Оценки вверх, знания вниз: ИИ и 26 811 китайских школьников
AI-модели в этой статье
Оценки за домашние работы с ИИ растут, а закрытые экзамены тех же учеников через полгода – на 20% ниже базового уровня. Для преподавателя и руководителя видимая картина обманчива: семестр выглядит успешным, обучение проседает, а подтверждение приходит с опозданием.
30 месяцев наблюдений за 26 811 китайскими школьниками – одно из самых больших измерений того, что генеративный ИИ делает с учёбой в обычной школе, без специально выданных инструментов. Рабочую статью в июне 2026 года опубликовали экономист Давид Стрёмберг из Стокгольмского университета вместе с Виктором Лэем и Яньхуи У из Университета Гонконга: CEPR Discussion Paper DP21577, рецензирования ещё не было, полный текст лежит в PDF конференции NBER. В этих данных оценки за домашние задания выросли на 18%, а время на домашку сократилось примерно на треть. Экзамен, на котором результат упал на 20%, ученики писали в классе, без телефона и без модели.
Для преподавателя в СНГ это самый неудобный из возможных сигналов. Всё, что видно глазом в течение семестра, – сданная домашка, сроки, хорошие оценки – улучшается. То, ради чего всё затевалось, ухудшается, и подтверждение придёт нескоро. В четвёртой части серии мы разбирали этот разрыв по опросам: 88,52% студентов говорили, что ИИ ускорил учёбу, и почти половина признавала, что успеваемость при этом не выросла. Здесь тот же разрыв измерен экзаменами и временными метками платформы.
Авторы называют эффект штрафом за обучение (learning penalty), и главный вывод умещается в одну строку: потери сконцентрированы примерно у 80% пользователей ИИ, которые отдают домашку модели, – сдают подозрительно быстро и подозрительно хорошо. У тех, кто сохранил обычное время работы, потери малы. Этот двойной признак можно проверить на своей группе уже на следующей неделе, без всякой платформы, и ниже разобрано, как именно.
Один уезд, тридцать месяцев
Исследование сделано в одном уезде центрального Китая: население больше миллиона, ВВП на душу чуть ниже 6 000 долларов, по описанию авторов – типичное место для всего Китая вне прибрежных провинций. Пять школ для 7–9 классов и четыре для 10–12-х. В выборку попали 26 811 учеников с 7 по 12 класс – около 90% всех школьников уезда. Классы по 50–60 человек.
Оценки взяли у местного управления образования. Это ежемесячные закрытые экзамены в классе, которые проверяются на единой цифровой платформе (что умеют китайские образовательные платформы, мы разбирали во второй части серии), общерайонные совместные тесты и два главных экзамена китайского школьника: чжункао при поступлении в старшую школу и гаокао при поступлении в вуз. Домашние задания пришли с той же платформы: оценка за каждую недельную работу и временные метки – когда ученик открыл задание и когда сдал ответ. Время выполнения – интервал между этими двумя событиями.
Месяц начала пользования ИИ собран опросом в июне 2025 года: перед ним учителя просили школьников свериться с датой регистрации в приложении. К этому моменту генеративным ИИ пользовались около 80% учеников, а осенью 2022-го – лишь небольшая доля. Самые ходовые инструменты – Doubao, DeepSeek, ChatGLM, Ernie Bot и Qwen, чаще всего их применяли в математике и английском.
Каждую когорту начавших пользоваться сравнивают с её собственной траекторией до начала и с учениками, которые так и не начали до конца наблюдения (разностно-разностный метод со ступенчатым внедрением). До начала группы почти неразличимы и по уровню, и по динамике, и именно поэтому такому дизайну можно верить. Все проценты в работе считаются от базового среднего: 100 означает уровень среднего ученика до ИИ. Как читать такие работы, с вопросами к выборке, единицам измерения и выводам, мы разбирали на примере статьи о LIMe.
Домашка вверх, экзамены вниз
Продуктивность домашней работы выросла резко. Через пять-шесть месяцев после начала пользования оценки за домашку держались примерно на 18% выше базового уровня и там оставались, а время выполнения упало с 64 минут до примерно 45 за задание. За те же месяцы средний балл ежемесячных закрытых экзаменов опустился на 20% от базового среднего – в пересчёте авторов это 1,4 стандартного отклонения. Эффект нарастал около полугода и дальше стабилизировался.
Когда я первый раз прочитал про 1,4 стандартного отклонения, я решил, что это перебор: в педагогических исследованиях обычно и десятые доли считаются большим эффектом. Оговорка нашлась в самой работе. Средний балл по 7–9 предметам имеет разброс примерно вдвое меньше, чем балл по одному предмету, поэтому на привычном знаменателе – внутрипредметном разбросе – эффект примерно вдвое скромнее. Всё равно огромный, но уже не запредельный.
На вступительных экзаменах эффект сопоставимый, но приходит медленнее. У учеников, которые пользовались ИИ два года и больше, результат чжункао на 24% ниже базового уровня (1,5 стандартного отклонения), гаокао – на 18% (1,3). Полный штраф виден только примерно через два года после начала: эти экзамены покрывают материал нескольких лет, а выученное до ИИ не пострадало. У тех, кто начал недавно, измеренный эффект слабее, и короткие исследования его просто не успевают увидеть. Авторы прямо пишут, что литература с короткими горизонтами систематически недооценивает долгосрочную цену.
Есть и проверка на то, что учителя в ответ на проседание просто смягчили свои экзамены. На общерайонных тестах, где все школы отвечают на одни и те же вопросы (их видно только для 9 и 12 классов), падение сопоставимое – около 23%.
Между «ученик пользуется ИИ» и «ученик отдал ИИ думать» лежит разница, которую по самой домашке не заметить: обе версии выглядят как аккуратная сданная работа с хорошей оценкой. Заметить её может только тот, кто сам понимает, что модель делает с задачами этого типа и где она уверенно ошибается. Это понимание берётся из собственной практики с инструментом, на своих задачах.
Чтобы отличать учёбу с ИИ от отданной ИИ домашки, нужно собственное ощущение границ модели. 9 реальных задач открытого модуля – бесплатно, без регистрации.
Доступ сразу после регистрации
Почему этого никто не заметил
Самое поучительное в работе – как падение такого масштаба два года оставалось невидимым для самой школы.
Администрация видела маленькие цифры. Авторы посчитали вклад ИИ в средний балл по всем ученикам уезда: за учебные годы с сентября 2022-го по июнь 2024-го он составил 3,4%, и только к июню 2025-го дорос до 9,9%. Пользователей сначала мало, эффект у каждого накапливается постепенно. Снижение на 3,4% в большой школе выглядит как шум, на который никто не реагирует.
Предметники видели обычные цифры. Падение среднего балла по всем предметам на 20% за полгода без ИИ почти не случается: среди учеников без ИИ такое произошло с пятью. Но по одному предмету падение такого размера встречается примерно у 4% учеников в отдельный месяц и без всякого ИИ. С точки зрения одного учителя ученик просто временно просел – заметно, но не из ряда вон.
Ученики и родители видели всё, но связывали с другим. Плавное проседание за полгода прячет причину. Авторы ссылаются на известные результаты о том, что усилие активного обучения ученики читают как признак плохого усвоения (Deslauriers и соавторы, 2019), и на турецкий эксперимент, где школьники с просевшими из-за ИИ-помощника экзаменами не чувствовали, что стали учиться хуже (Bastani и соавторы, 2025). Ощущение собственного прогресса – отдельная метрика, и с реальностью она согласуется плохо.
И главное для всех, кто ставит оценки за домашку: домашняя работа потеряла информационную ценность. Среди пользователей ИИ с оценками выше базового среднего чем выше оценка за домашку, тем ниже балл на экзамене. Авторы формулируют это прямо: лучшая домашка может сосуществовать с более слабым обучением, а разрыв всплывает только на закрытых экзаменах. Оценка за домашку, которая у учеников без ИИ растёт вместе с экзаменом, у этой группы пользователей движется в обратную сторону.
Подозрительно быстро и подозрительно хорошо
Хорошая новость: в работе есть дешёвый способ различать две группы, и им пользовались сами исследователи. Два признака вместе: ненормальная скорость и ненормальное качество.
Вот базовая картина по ученикам без ИИ. Домашка занимает у них от 50 минут, и чем больше времени, тем выше и оценка за домашку, и балл на экзамене: время здесь работает прокси усилия.
Теперь ученики с ИИ. Больше половины укладывается в 20–50 минут – быстрее, чем самый быстрый ученик без ИИ. Медианная оценка их домашек совпадает с точностью китайских моделей на похожих задачах: в бенчмарке E-EVAL Qwen-72B и Ernie Bot 4.0 отвечают правильно примерно на 90% вопросов K–12, свободно лежащих в интернете. То есть домашка выглядит ровно так, как выглядит работа модели. На экзаменах эта же группа получает очень низкие баллы.
Авторы формализуют паттерн порогом: меньше 50 минут на работу – аутсорсинг, меньше 45 – полный аутсорсинг. Спустя пять месяцев пользования в быструю группу попадали 81% пользователей ИИ, на старте – 58%.
Обратная сторона тех же данных важнее для практики. Пользователи ИИ, которые продолжали тратить на домашку обычные 50–65 минут, получали на экзаменах баллы, сопоставимые с учениками без ИИ, при более высоких оценках за домашку. Изначально сильнее они не были: их результаты до ИИ близки к базовому среднему. Значит, потери связаны со временем работы над задачей: у тех, кто его сохранил, обучение с ИИ идёт так же, как без него.
Одна честная оговорка, которую делают сами авторы: связь времени и экзаменов внутри группы пользователей описывает поведение теряющих, причинного вывода из неё авторы не делают. Как детектор этот признак всё равно работает, и он бесплатный.
Есть и аккуратная зависимость от дозы: у учеников, которые сами сообщали о 0–1 часе ИИ в неделю, потери около 5%, у тех, кто сообщал о пяти часах и больше, – около 30%.
Почему минус 20 минут на задание превращаются в минус 20% на экзамене? По расчёту авторов, это 2,2–2,8 часа в неделю, или 5–6% всего учебного времени: школьник в этом уезде учится 42–44 часа в неделю. Для падения на 20% выглядит мало. Объяснение – из науки об обучении: домашка это практика припоминания, один из самых сильных механизмов закрепления материала (обзор Dunlosky и соавторов, 2013; Roediger и Karpicke, 2006). Отданная модели, она выключает сам механизм. А навыки строятся на навыках: пробел мешает усваивать следующий материал, и разрыв накапливается – поэтому вступительные экзамены с их многолетним покрытием и показывают полную картину только через два года.
Кого задевает сильнее
Какие предметы пострадают больше всего, заранее предсказать было трудно, и авторы это признают. Самые большие потери оказались в общественных науках – в среднем минус 27%, сильнее всего просели обществознание и география. Дальше естественные науки и математика (минус 22%), потом английский (минус 17%) и китайский (минус 9%). Большая часть экспериментальных работ ставилась на математике, программировании и иностранных языках, а здесь сильнее всего досталось предметам, где ответ состоит из фактов и понятий. Почему так, авторы не объясняют. Практический вывод скромнее, чем хочется: привычка проверять в первую очередь математику здесь бы промахнулась, а родной язык, где пишут собственный текст, просел меньше всех.
Младшие теряют больше старших: минус 24% в 7–9 классах против минус 17% в 10–12-х. Авторы связывают это с интервью учителей: старшеклассников сильнее нагружают контролируемой работой и жёстче ограничивают в ИИ в выпускные годы. Мальчики теряют чуть больше девочек (21,6% против 18,4%), и большая часть разницы объясняется интенсивностью пользования – мальчики просто чаще им пользуются.
Самое сильное по распределению: сильнее всего просели самые сильные. У верхней трети по успеваемости до ИИ минус 24%, у нижней трети минус 16%. На вступительных экзаменах разрыв того же направления: минус 18% против минус 11%. Почему так, в работе не объясняется.
Где эта работа слабее
Чтобы цифры выше не цитировали шире, чем они держат, вот границы.
Рабочая статья. Рецензирования ещё не было, оценки могут уточниться. Дизайн при этом крепкий: параллельная динамика групп до начала пользования, сбалансированные выборки, проверка альтернативными спецификациями – эффект на экзаменах за 6–10 месяцев держится около минус 20% во всех вариантах.
Один уезд центрального Китая. Экзаменационная культура, классы по 50–60 человек, цифровые платформы оценивания везде. Авторы утверждают, что уезд похож на большинство китайских уездов вдали от побережья. Сохранится ли эффект того же размера в школе СНГ – вопрос открытый, и данных на него нет.
Подростки. С 7 по 12 класс – возраст, когда саморегуляция ещё формируется, а цена экзаменов максимальна. Это данные о детях внутри экзаменационной системы. Про взрослых они не говорят ничего.
Дата начала – самоотчёт. Инструкцию «проверь дату регистрации в приложении» выдали, но выполнял ли её ученик, никто не видел. Авторы разбирают обе ошибки. Если ученик назвал месяц позже реального, его оценки начали бы падать ещё до названной даты, а в данных такого нет. Если раньше реального (дату регистрации вместо начала активного пользования), эффект выглядел бы медленнее на старте, но его полный размер остался бы прежним.
Время домашки – прокси. Интервал между открытием задания и сдачей ответа. Секундомер ни у кого не стоял. В подвыборке с видимыми логинами 99% учеников делают задания последовательно – открыл одно, сделал, сдал, – так что прокси рабочий, но случай «открыл и ушёл на три часа» он не ловит.
Джуны вместо школьников
Всё, что ниже, – гипотеза. Результат этого исследования заканчивается на школьниках. Панельных данных по взрослым такого же качества я не встречал, так что переносите на свой контекст с поправкой.
Но структура механизма читается на онбординге джуниоров напрямую. Видимая метрика – задача закрыта, быстро, аккуратно – растёт с первого месяца. Навык под ней – способность объяснить решение, удержать в голове цепочку рассуждений, заметить аномалию в цифрах – растёт медленнее, чем выглядит артефакт. Проверка приходит поздно: первый инцидент, первая защита решения вслух, первая задача, к которой нельзя подать промпт.
Авторы работы думают в ту же сторону: во введении они ссылаются на свежие работы о когнитивной атрофии (Kosmyna и соавторы, 2025), о сбоях обучения на работе (Garicano и Rayo, 2025) и об упадке человеческого знания (Acemoglu и соавторы, 2026). Тревога в литературе есть, просто данные по школьникам пока сильнее данных по работникам.
Для L&D из этого следуют те же две вещи, которые данные дают школе. Детектор: аномалия времени и качества – задача закрыта быстрее обычного и на уровне, которого у человека раньше не было. И рецепт: закрытые проверки плюс первая попытка без инструмента. Вторую половину мы подробно разбирали в статье о симуляциях вместо осмоса: джун прогоняет задачу руками несколько раз до того, как впервые увидит ответ ИИ, иначе ему не с чем сравнивать. HBR называл результат отданного мышления thinkslop: артефакт выглядит профессионально, когнитивной работы автора за ним нет. Китайские данные показывают, во что это обходится в масштабе целого уезда.
Что может сделать педагог
Политические рекомендации работы короткие: честно рассказывать ученикам о долгосрочной цене, увеличить вес закрытых очных проверок и следить за входами – временем и усилием. Выходы в виде оценок за домашку больше ничего не показывают. Перевод в рутину одного класса или одного онбординга выглядит так.
Регулярная закрытая проверка. Раз в семестр мало: в китайских данных падение на месячных экзаменах набирало полную силу за полгода, и семестровая проверка увидела бы его уже готовым. Хватит 15–20 минут без телефона и модели, с небольшим весом в оценке. Работает регулярность и отсутствие материалов, балл может быть символическим.
Первая попытка без ИИ. В учебных задачах сначала собственный черновик, план или решение, потом модель для сверки и доработки. Это сохраняет практику припоминания – тот самый механизм, который выключает аутсорсинг, – и даёт точку отсчёта: что человек мог до модели.
Следить за аномалиями времени и качества. «Подозрительно быстро и подозрительно хорошо» работает без всякой платформы: если в LMS есть метки времени, смотрите их, если нет – держите в голове примерную норму по заданию. По отдельности каждый признак слаб: быстрый ответ бывает у сильного ученика, хороший ответ – у занимавшегося с репетитором. Маркер – пара: заметно быстрее обычного и одновременно качество, которого у человека раньше не было.
Разделить учебные задачи и продуктовые. Явно решить, какие задания тренируют навык (правила: первая попытка руками, проверка понимания устно или закрытой работой) и какие дают результат (ИИ приветствуется, оценивается артефакт). И проговорить это разделение вслух со студентами. Сюда же ложатся красные линии и зелёные коридоры из первой части серии, только критерий проведения линии сместился: важно, учит ли задача чему-то, а вопрос «можно ли здесь схитрить» вторичен.
И самое дешёвое – сказать цифры вслух. Честную информацию о долгосрочной цене авторы относят к перспективным вмешательствам. «Домашка стала легче, экзамены тяжелее, это измерено, вот числа» – взрослый разговор, и данные его поддерживают: примерно каждый пятый пользователь сохранил обычное время и почти не потерял.
Рутину ниже можно собрать за один вечер. Промпт принимает описание курса и возвращает каркас: какие задачи учебные, где стоят закрытые проверки, за какими аномалиями следить. Можно запустить как есть, а пример подменить своим предметом.
Запустить можно на двух моделях: Kimi K3 работает из России напрямую, GPT-5.6 Sol официально недоступна; обе сильны в задачах анализа и планирования, свежие цифры – в нашем бенчмарке. Хороший результат узнаётся по конкретике: проверки стоят раз в 3–4 недели или чаще, аномалии описаны порогами и парой признаков времени и качества – «высокая оценка (≥85%) при времени от первого открытия до сдачи менее 12 минут». Общее «следите за подозрительными работами» хорошим результатом не считается.
У всех шагов выше одна общая черта: они следят за процессом, потому что оценка за домашку в этих данных перестала говорить об обученности.
Вы руководите школой или учебным центром?
Сдвинуть вес оценивания к закрытым проверкам и завести мониторинг времени по всей школе – задача уровня руководства. Программа для руководителей школ и учебных центров.
Что остаётся открытым
Три вещи в этой истории не закрылись. Адаптация идёт: штраф за пять месяцев пользования снизился примерно с 25% в начале 2023 года до 16% к июню 2025-го, и смена состава выборки этого не объясняет. Но кто именно адаптируется, ученики, учителя или сами задания, авторы сказать не берутся. Сильнейшие ученики просели сильнее всех, и объяснения этому в работе нет. И главный вопрос для нашего контекста открыт по построению: исследование про подростков внутри экзаменационной системы, а сохранятся ли те же порядки величин у студентов вуза в СНГ или у корпоративных джуниоров, никто ещё не мерил.
Одну вещь можно забрать отсюда прямо сейчас, не дожидаясь новых работ. Оценка за домашку в группе, где у всех есть модель, перестала быть мерой обученности: среди пользователей с оценками выше среднего лучшая домашка соседствует с худшими экзаменами. Остаётся наблюдать за процессом – за временем, усилием и регулярными закрытыми проверками. Все три стоят дёшево и не требуют никакой платформы.
Если у вас уже был семестр с ИИ и закрытая проверка после него – интересно, каким оказался разрыв между домашкой и экзаменом в вашей группе.
Следить за процессом труднее, чем ставить оценку за работу: нужно самому видеть разницу между гладкой генерацией и ответом, за которым стоит понимание. В этом и разница между знанием и навыком.
Метрика развернулась. Суждение – нет
Специализация «Образование» – в разработке, фундамент доступен сейчас. Бесплатный открытый модуль – 9 задач, на которых видно изнутри, как модель выдаёт уверенный гладкий результат и где в нём пустота. Преподавателю это даёт ориентир: по каким признакам отличать работу с пониманием от аккуратно отданной домашки.
Часто задаваемые вопросы
Как ИИ влияет на успеваемость школьников?
Почему хорошая домашка с ИИ – плохой сигнал?
Как заметить, что ученик отдаёт домашку ИИ?
Все ли пользователи ИИ теряют в учёбе?
Переносится ли это на взрослых и работу?
mysummit.school
Engineering Leader в Microsoft18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.