Модели прекрасно работают с массовыми данными: популярными книгами, теоретическими определениями, стандартными вопросами. Но они теряются там, где важен уникальный личный опыт студента или локальный контекст группы.
Отличительная черта: нейросеть уверенно пишет о романе, но не знает, что вы обсуждали на прошлом занятии или как студент переживает учебу в своей группе.

Что добавлять в задание:

• материалы, созданные на занятии (обсуждения, наброски, постеры);
• локальный кейс (ситуация из университета, проекта, города);
• наблюдения студента о его собственном процессе обучения;
• данные из предыдущих работ студента.

Пример:

• ❌ «Сделайте анализ романа...»
• ✅ «Сравните роман с вашим читательским опытом последних месяцев. Какие идеи отзываются вашим недавним наблюдениям?»

Такой формат заставляет студента работать с собственным опытом, а не копировать готовый анализ.

Искусственный интеллект стремительно вошёл в учебные процессы. Одни преподаватели видят в этом угрозу, другие — инструмент, который нужно правильно встроить в обучение. Но в любом случае перед нами стоит задача: проектировать такие задания, где ИИ может быть помощником, но не заменой работы студента.

Ниже — четыре принципа, которые делают задания устойчивыми к бездумному использованию нейросетей.

ИИ хорошо пишет готовый текст, но хуже — выстраивает reasoning: цепочку взаимосвязанных рассуждений, где каждый шаг зависит от предыдущего.
Если задача требует нескольких этапов, промежуточных выводов и последовательного движения, делать её «одним нажатием кнопки» становится сложно.

Что добавлять в задание:

• чёткие этапы работы;
• зависимость между шагами (вывод одного шага — вход для следующего);
• необходимость формулировать гипотезы и проверять их;
• обязательные промежуточные выводы.

Пример логики:

1. проанализируйте предоставленные данные;
2. сформулируйте гипотезу на основе анализа;
3. проверьте гипотезу выбранным методом;
4. сопоставьте результаты с теорией.

ИИ может выполнить любой отдельный шаг, но воспроизвести цельный путь — гораздо сложнее.

Когда задание предполагает индивидуальность — стиль, метафору, «почерк» — ответы нейросети становятся заметно однообразными. Там, где студенту нужно проявить смысловую и эстетическую оригинальность, ИИ перестаёт быть готовым решением.

Что добавлять в задание:

• собственные примеры студента;
• нестандартный формат продукта (мини-комикс, карта идей, прототип);
• визуальные или метафорические решения;
• индивидуальные интерпретации.

Пример:
«Создайте визуальный скетч, который объясняет тему урока через метафору, отражающую ваш опыт обучения».

Здесь студенту важно не просто передать содержание, а выразить себя — ИИ помочь может, но выполнить вместо студента не сможет.

Пожалуй, самый сильный анти-ИИ инструмент — требование раскрыть ход мысли.
Студенту нужно показать как он пришёл к результату: какие шаги сделал, что изменял, почему выбрал именно этот путь.
Да, ИИ может симулировать рассуждения, но настоящие промежуточные следы мыслительной работы подделать куда сложнее.

Что добавлять в задание:

• черновики;
• заметки;
• промежуточные версии;
• скриншоты этапов;
• объяснение изменений.

Пример:
«Приложите три промежуточных скриншота/наброска/черновика с комментарием: что вы меняли и почему».
Такое требование делает процесс важнее результата — и защищает от поверхностной генерации.

Чтобы задание стало по-настоящему ИИ-устойчивым, важно не «бороться» с нейросетью, а грамотно встроить её в процесс. Давайте студентам задачи, где важно не просто получить ответ, а показать ход мысли, опираться на собственный опыт, анализировать реальные данные и принимать решения. Требуйте промежуточные шаги, уточняющие вопросы, объяснения, сравнения, рефлексии — всё то, что делает мышление видимым. Тогда даже самый мощный ИИ станет не чит-кодом, а партнёром в развитии критического, самостоятельного и осознанного обучения.