TL;DR
Не всякое использование AI одинаково полезно для обучения. Когда просишь ChatGPT объяснить новую тему с нуля или решить задачу вместо тебя — ты получаешь когнитивный долг: правильный ответ без понимания. Со стороны выглядит как знание, внутри — пустота.
Проблема в том, что мозг не успевает построить схему понимания. AI даёт готовый вывод — и ты его принимаешь. Кажется, что разобрался — но первый же вопрос "а почему?" вскрывает пробел. Это не лень, это механика: понимание строится только через собственную попытку, а не через чужой ответ.
Фреймворк решает это через пирамиду Блума — шкалу умственных задач от простых к сложным. Каждый уровень имеет свой режим работы с AI: на нижних уровнях (запоминать, понимать базу) — держи AI подальше и пробуй сам. На верхних (анализировать, оценивать, создавать) — зови AI как собеседника. Граница не произвольная: базу строишь ты, AI лишь ускоряет то, что уже есть.
Схема метода
Один принцип, применяемый до каждого запроса к AI:
ШАГ 0 (всегда): Какой уровень задачи? → выбираешь режим
УРОВЕНЬ 1-2 (Запомнить / Понять):
Режим: AI — последний шаг
Алгоритм: Попробуй сам → сформулируй своё понимание →
дай AI проверить точность
УРОВЕНЬ 3 (Применить):
Режим: AI — отладчик, не решатель
Алгоритм: Реши сам → покажи AI → попроси найти ошибки и объяснить почему
УРОВЕНЬ 4-5 (Анализ / Оценка):
Режим: AI — партнёр по дискуссии
Алгоритм: Сформулируй свои аргументы → попроси AI оппонировать,
сравнивать, задавать вопросы
УРОВЕНЬ 6 (Создать):
Режим: AI — соавтор, а не автор
Алгоритм: Зафикси свои идеи → попроси AI расширить, предложить варианты,
указать на слабые места
Пример применения
Задача: Ты проходишь курс по юнит-экономике стартапа на Яндекс Практикум и получил задание: разобрать бизнес-модель сервиса доставки еды — почему Яндекс Лавка может работать в убыток и при этом быть ценной для холдинга.
Это задание уровня Анализ — нужно выявить взаимосвязи, причины, стратегическую логику. Не запоминание, не простое применение формулы — рассуждение.
Промпт:
Я изучаю юнит-экономику и разбираю кейс Яндекс Лавки.
Вот моя гипотеза: Лавка работает в убыток, потому что Яндекс
субсидирует её ради данных о потребительском поведении
и удержания пользователей в экосистеме.
Задача сейчас — не получить готовый ответ, а проверить своё мышление.
Сделай следующее:
1. Найди противоречия или слабые места в моей логике
2. Задай 2-3 вопроса, которые я должен был задать себе, но не задал
3. Предложи альтернативную гипотезу — и попроси меня её оценить
Не давай финального вывода. Моя цель — додуматься самому.
Результат: Модель не подтвердит твою гипотезу и не опровергнет — она займёт роль требовательного собеседника. Укажет на то, что ты не учёл (например, роль данных о локальном спросе, маржу от рекламы внутри экосистемы). Задаст вопросы типа "А как это меняется при масштабировании?" Предложит альтернативу — и предложит тебе оценить её самому. Ты выйдешь из диалога с более глубоким пониманием, которое построил сам — AI только ускорил процесс мышления.
Почему это работает
Слабость AI как учителя — он всегда выдаёт готовый ответ. Даже если попросить объяснить "понятно" — мозг получает готовую схему и не строит свою. Это удобно, но противоположно тому, как работает обучение. Понимание — это неудобное состояние, когда не знаешь и пытаешься. AI убирает это состояние слишком рано.
Сильная сторона AI — он отлично работает как оппонент, критик, брейнштормер. Когда у тебя уже есть версия ответа, AI может её разобрать, атаковать, расширить. Это не построение знания с нуля — это заточка знания, которое уже есть. Именно здесь AI не вредит, а помогает.
Фреймворк Блума делает одно: даёт тебе ориентир перед каждым запросом. Я сейчас запоминаю новое или анализирую уже понятое? Если первое — попробуй сам, потом проверь с AI. Если второе — используй AI как дискуссионного партнёра. Этот один вопрос меняет режим взаимодействия.
Рычаги управления: - Уровень задачи — если переоценишь ("это уже анализ"), AI возьмёт лишнее. Честность с собой важнее скорости - Формулировка своей версии до запроса — ключевой элемент. Пустой чат без своей мысли = высокий риск когнитивного долга - Инструкция "не давай ответ" — без неё модель по умолчанию даст всё. Добавляй явно: "Задавай вопросы, не решай за меня" - Уровень помощи — можно попросить AI дать подсказку, а не ответ: "Намекни на что обратить внимание, но не решай"
Шаблон промпта
Я изучаю {тему}.
Вот моя текущая версия / моё понимание / мой ответ:
{что я думаю / что у меня получилось}
Уровень задачи: {запоминание / понимание / применение / анализ / оценка / создание}
Режим работы:
- Если уровень Запомнить/Понять: проверь точность моего объяснения.
Скажи что верно, что неточно, что упущено. Не объясняй тему заново.
- Если уровень Применить: найди ошибки в моём решении.
Объясни почему — но не давай правильный ответ сразу.
- Если уровень Анализ/Оценка: оппонируй моей логике.
Задай 2-3 вопроса, которые разрушают или уточняют мою версию.
Предложи альтернативную точку зрения.
- Если уровень Создать: укажи на слабые места.
Предложи варианты, которые я не рассмотрел. Не создавай за меня.
Цель: я хочу разобраться сам. Помогай как требовательный наставник, не как решатель.
Что подставлять:
- {тему} — предмет, курс, навык: "маркетинг", "Python", "финансовый анализ"
- {что я думаю / что у меня получилось} — обязательный шаг. Без своей версии шаблон не работает
- {уровень задачи} — выбери один из шести. Если сомневаешься — выбери более низкий
🚀 Быстрый старт — вставь в чат:
Вот шаблон Bloom's AI Framework для учёбы.
Адаптируй под мою задачу: {твоя задача / тема / что изучаешь}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит что ты уже пробовал и на каком уровне задача — потому что без этого невозможно выбрать правильный режим помощи. Она подберёт формулировки под твой уровень и тему.
Ограничения
⚠️ Требует самодисциплины: Шаблон легко сломать, если написать "у меня нет своей версии, объясни сам". Фреймворк работает только когда ты вкладываешь свою попытку до обращения к AI.
⚠️ Сложно определить уровень: Граница между "понять" и "применить" субъективна. Новички склонны переоценивать уровень ("это уже анализ") и получать AI-ответ вместо самостоятельного мышления.
⚠️ Не для профессиональных задач, а для учёбы: Если ты не изучаешь тему с нуля, а используешь AI для работы — фреймворк менее актуален. Он про построение нового знания, не про ускорение рутины.
⚠️ Нет готовых промптов для конкретных дисциплин: Исследование — про принцип, не про готовые шаблоны. Адаптация под конкретную тему требует усилий.
Как исследовали
Исследователи из Королевского университета Белфаста и Азербайджанского технического университета встроили фреймворк прямо в учебные курсы — не как отдельный совет, а как часть инструкций к лабораторным работам и заданиям. Студенты получали явную разметку: вот задача уровня "применить" — вот как здесь использовать AI, а вот уровень "понять" — и здесь использовать AI не рекомендуется.
Данные собирали через открытые анонимные анкеты и анализировали качественно — без числовых тестов, с упором на то, что студенты и преподаватели говорят своими словами. Это не слепой эксперимент с контрольной группой, а практическое исследование в реальных курсах.
Интересный результат: студенты самостоятельно пришли к выводу, что AI полезнее всего на уровнях анализа и оценки — и это совпало с предсказанием фреймворка. При этом многие отмечали возросшую умственную нагрузку — думать самому труднее, чем спросить у AI. Это не баг, а фича: именно эта нагрузка и даёт реальное обучение. Преподаватели в свою очередь жаловались на дополнительную работу по переработке заданий — но отмечали качественное изменение в разговорах со студентами.
Адаптации и экстраполяции
🔧 Техника: "Сначала объясни мне" → проверка когнитивного долга
Перед тем как задать профессиональный вопрос AI — попробуй объяснить тему вслух самому себе (или написать в 3 предложениях). Если не выходит — значит понимание поверхностное, и запрос к AI укрепит пробел, а не закроет его. Сформулируй запрос так: "Вот моё понимание [тема]. Что я упустил или неточно сформулировал?" — это работает как тест понимания, а не поиск ответа.
🔧 Техника: "Отложенный AI" для профессиональных решений
Принцип "нижних уровней" переносится за рамки учёбы. Перед сложным бизнес-решением — сначала запиши свои аргументы и риски на бумаге. Только потом проверяй с AI. Это не про учёбу — про качество мышления. AI, увиденный до твоих мыслей, заменяет их. AI после — усиливает.
Ресурсы
Название работы: Implementing GenAI-Supported Learning in Software Engineering and Computer Science Education using Bloom's Taxonomy
Авторы: Vəhid Gəruslu (Vahid Garousi), Zafar Jafarov, Aytan Mövsümova, Leyla Məmmədova — Azerbaijan Technical University; Hüseyn Mirzayev — Qarabağ University
Организации: Queen's University Belfast (UK), Azerbaijan Technical University, Qarabağ University
Таблица GenAI + Bloom's Taxonomy: Oregon State University [3] — упоминается как источник готовой интеграционной модели