Что ИИ действительно меняет в преподавании анализа данных — а что менять нельзя

У каждого студента теперь в кармане сидит почти бесплатный репетитор, программист и советчик, который практически никогда не краснеет, когда говорит ерунду. Это довольно необычная педагогическая ситуация.

Первая реакция понятна: запретить. Вторая — добавить в курс двадцать AI-инструментов и почувствовать себя человеком будущего. Мне не очень нравится ни одна.

Я не знаю окончательной методики «образования после AI». Подозреваю, её пока не знает никто — просто некоторые уже успели сделать по этому поводу красивую презентацию. Но несколько изменений на своих занятиях я вижу вполне отчётливо.

1. AI оказался рентгеном для наших заданий

Мне кажется, мы немного слишком увлеклись вопросом: «Как поймать студента, который использовал ChatGPT?» Иногда полезнее спросить: что именно моё задание проверяло до появления ChatGPT?

«Постройте логистическую регрессию по таблице». Ещё недавно это выглядело солидно: открыть данные, выбрать признаки, написать код, получить коэффициенты. Сегодня значительную часть этой работы AI делает быстрее студента. И, что особенно обидно, быстрее преподавателя.

Но это не означает, что логистическая регрессия стала не нужна. Просто экскаватор приехал на соревнование по копанию лопатой. Странно после этого продолжать оценивать только скорость работы лопатой.

Мне гораздо интереснее спросить:

• что здесь вообще разумно прогнозировать;
• не протёк ли target в признаки;
• почему 99% accuracy может оказаться почти бесполезной;
• какая ошибка здесь действительно дороже;
• будет ли эта модель работать через год, в другой больнице или другой стране.

AI не уничтожил хорошее задание. Он очень быстро обнаружил плохое. В этом смысле я ему даже благодарен.

2. Ответ стал дешёвым. И это хорошая новость

Мы много лет жили в мире, где ответ был дефицитом. Нужно было дождаться преподавателя, найти книгу, открыть Stack Overflow, уговорить знакомого программиста посмотреть traceback.

Теперь ответов столько, что ими можно утеплять стены.

Студент может попросить: «объясни проще», «покажи на пяти числах», «сравни две модели», «найди ошибку», «задай мне вопросы». Для обучения анализу данных это подарок: можно менять threshold, портить train/test, добавлять выброс, удалять признак — и немедленно смотреть, что произошло.

Преподаватель не обязан соревноваться с машиной в скорости выдачи объяснений. Я всё больше вижу свою работу иначе: создать ситуацию, в которой студент вынужден сделать содержательный выбор, увидеть последствия и объяснить их.

3. Непонимание научилось хорошо одеваться

Вот здесь начинается менее приятная часть.

Раньше непонимание часто выглядело честно: пустой лист, traceback, график, похожий на кардиограмму человека, увидевшего результат экзамена.

Теперь непонимание может прийти в костюме: заголовки, таблица, Python-код, пять bullet points и уверенное «Таким образом…».

AI научился очень убедительно носить костюм понимания. Иногда внутри костюма, правда, никого нет.

Можно красиво объяснить p-value и не понимать, что именно должно было бы удивить нас при верной нулевой гипотезе. Можно запустить random forest и не заметить target среди признаков. Можно получить 99% accuracy на редком событии и почувствовать себя победителем машинного обучения.

Поэтому я всё меньше думаю, что главный AI-навык — «уметь промптить». Для анализа данных важнее другое: придумать проверку, которая способна разрушить собственный красивый ответ.

4. Что я меняю в собственных занятиях

Я не хочу превращать пару в выставку достижений нейросетевого хозяйства. Если идею лучше объяснить маркером и доской, маркер остаётся выдающейся технологией: не требует аккаунта, не меняет тариф и редко галлюцинирует.

Но в курсе «Анализ данных в век ИИ» я всё чаще строю работу вокруг маленького цикла:

• посмотри на данные и предложи объяснение;
• проверь его;
• получи результат, который немного портит настроение;
• спроси AI, что ты мог пропустить;
• а затем проверь уже AI.

Получается своеобразный пищевой круговорот: студент проверяет данные, AI проверяет студента, студент проверяет AI, а преподаватель ходит рядом с серьёзным лицом и делает вид, что именно такой замысел был у него с самого начала.

Я использую Orange, собственные интерактивы и веб-приложения, визуализации, игры, AI-помощника. Но мне всё меньше интересен AI как «кнопка, которая делает». Гораздо интереснее AI как скептик: попросить его не выдавать решение, а задать неудобный вопрос, предложить конкурирующую гипотезу, оспорить выбор метрики.

5. Что я пока не готов отдавать AI

Черновой код? Конечно. Синтаксис? Пожалуйста. Ещё один пример? Отлично. Идеи для визуализации? Берите две.

Но есть вещи, которые я всё ещё хочу увидеть у человека:

Последнее особенно важно. Умение сказать «не знаю» в эпоху AI неожиданно становится почти элитным навыком. Машина часто отвечает даже тогда, когда стоило бы молча посмотреть в окно. Человеку полезно сохранить это конкурентное преимущество.

6. А теперь место для драки — интеллектуальной

Есть мысль, за которую мне особенно интересно получить возражения:

Возможно, главный кризис образования из-за AI не в том, что студенты научились жульничать. А в том, что AI неожиданно показал, сколько наших заданий десятилетиями проверяли не мышление, а способность выполнить ритуал.

Я вполне допускаю, что через два года буду спорить с частью этой статьи. Это нормально. Мне сейчас важнее не угадать педагогическую конституцию 2030 года, а собрать реальные наблюдения.

Поэтому особенно интересно мнение тех, кто со мной не согласен:

1. Какое задание вы уже перестали давать из-за AI — или принципиально оставили?
2. Что студенту можно спокойно поручить AI, не разрушив обучение?
3. Какой навык вы всё ещё хотите увидеть у человека без AI?

И если ваш ответ — «Игорь, вы слишком легко хороните старые навыки», тем лучше. Мне гораздо интереснее такой спор с примерами, чем ещё один список «37 нейросетей, которые навсегда изменят образование до следующего вторника».