Победитель конкурса «КОД науки» в номинации
«Технические науки и искусственный интеллект» (2026 г.)
Аннотация. В статье рассматривается потенциал платформы Google Teachable Machine для формирования навыков критического мышления у обучающихся в курсе информатики. Актуальность исследования обусловлена необходимостью формирования у обучающихся функциональной цифровой грамотности и критического мышления в условиях цифровой трансформации общества. Научная новизна заключается в систематизации практических заданий с использованием визуального обучения нейросетей в привязке к конкретным темам Федеральных рабочих программ по информатике для 7-11 классов. Практическая значимость работы состоит в разработке методических рекомендаций, позволяющих учителям использовать инструмент без углубленного программирования для демонстрации принципов работы ИИ, качества данных и этических ограничений. Практическая часть содержит примеры учебных заданий с указанием связи с разделами ФРП и формируемыми универсальными учебными действиями. Подробно представлена одна практическая работа с пошаговой инструкцией и анализом выводов обучающихся.
Ключевые слова: критическое мышление, Teachable Machine, Федеральная рабочая программа, информатика, искусственный интеллект, визуальное обучение, моделирование, универсальные учебные действия.
Современное образование сталкивается с вызовом подготовки обучающихся к жизни в условиях цифровой трансформации общества, где технологии искусственного интеллекта (ИИ) становятся неотъемлемой частью повседневной жизни. Системы распознавания лиц, голосовые помощники, рекомендательные алгоритмы и генеративные нейросети активно используются в быту, обучении и профессиональной деятельности, формируя новую реальность, в которой значительная часть информации создается и обрабатывается автоматизированными системами.
Вместе с тем, как показывают исследования, потребление огромного количества информации, генерируемой и обрабатываемой ИИ, зачастую происходит без критического анализа ее содержания и происхождения. Ключевой проблемой является не столько техническая сложность инструментов искусственного интеллекта, сколько отсутствие у обучающихся понимания принципов работы алгоритмов и, как следствие, некритичное доверие к их результатам либо, напротив, полное их отрицание.
Зарубежные ученые Р. Пауль, Н.Н. Непейвода, Д. Халперн писали о важности данной проблемы образования, подчеркивая, что критическое мышление не формируется стихийно, а требует целенаправленного педагогического сопровождения.
В этом контексте формирование критического мышления приобретает новое измерение. Речь идет не просто о способности анализировать тексты или оценивать достоверность источников информации, но о более широкой компетенции: способности анализировать и оценивать результаты работы алгоритмов, понимать их ограничения, видеть потенциальные предвзятости (bias) и принимать обоснованные решения о степени доверия к ним. Именно эта компетенция, которую в современной научной литературе называют критической AI-грамотностью, становится необходимым условием успешной социализации в XXI веке [13].
Важность развития критического мышления закреплена на нормативном уровне. Согласно Федеральной рабочей программе (ФРП) по информатике формирование цифровой грамотности и критического мышления является одной из приоритетных задач обучения. В документах ФГОС основного и среднего общего образования в перечне метапредметных результатов освоения образовательной программы указаны такие позиции, как «умение определять понятия, создавать обобщения, устанавливать аналогии, классифицировать, самостоятельно выбирать основания и критерии для классификации, устанавливать причинно-следственные связи, строить логическое рассуждение, умозаключение и делать выводы», а также «умение создавать, применять и преобразовывать знаки и символы, модели и схемы для решения учебных и познавательных задач». Именно эти умения лежат в основе способности критически оценивать работу алгоритмов [4], [5].
Поскольку традиционные подходы к изучению принципов работы ИИ часто требуют углубленных знаний программирования и математики, что создает барьер для большинства обучающихся основной и средней школы. В этой связи возникает потребность в инструментах, позволяющих наглядно демонстрировать принципы машинного обучения без необходимости написания программного кода. Платформа Google Teachable Machine представляет собой именно такой инструмент – она позволяет создавать модели машинного обучения через визуальный интерфейс, используя веб-камеру, микрофон или загрузку файлов.
Критическое мышление в контексте изучения ИИ проявляется в способности обучающегося анализировать зависимость результатов работы алгоритма от качества входных данных, выявлять ограничения и возможные ошибки автоматизированных систем, оценивать этические последствия внедрения технологий распознавания и понимать разницу между корреляцией и причинно-следственной связью в работе нейросетей.
Включение Teachable Machine в образовательный процесс создает естественный контекст для развития критического мышления через осознанное взаимодействие с данными, анализ ошибок и рефлексию собственных действий. Настоящая статья предлагает методику использования Teachable Machine, соответствующую требованиям ФРП, и обосновывает, почему данный инструмент может эффективно применяться при изучении различных разделов курса информатики с 7 по 11 класс.
Целью данной статьи является представление системы практических заданий с использованием Teachable Machine, направленных на развитие критического мышления обучающихся и соответствующих требованиям ФРП по информатике для 7-11 классов.
Критическое мышление в контексте цифровой грамотности
В современной педагогической психологии и дидактике категория «критическое мышление» занимает одно из центральных мест. В зарубежной и отечественной литературе (Д. Халперн, Д. Дьюи, Ж. Пиаже, Л.С. Выготский, С.Л. Рубинштейн) данное понятие трактуется по-разному [6].
Отечественный психолог Л.С. Выготский определил, что мышление возникает лишь при условии затруднений, где поведение встречает преграду. Психолог С.Л. Рубинштейн писал: «Критический ум всё взвешивает: все доводы обосновывает и подвергает свои гипотезы всесторонней перепроверке» [3], [7, с. 417-431].
В понимании Д. Халперн, «критическое мышление характеризуется взвешенностью, логичностью и целенаправленностью» [11].
Таким образом, далее под критическим мышлением будем понимать способность анализировать информацию с позиций логики, выявлять скрытые предположения, оценивать достоверность источников, аргументировать собственную позицию и принимать обоснованные решения.
В структуре критического мышления выделяют несколько взаимосвязанных компонентов:
- анализ – способность разбивать сложную информацию на составные части, выявлять структуру и взаимосвязи;
- оценка – способность определять значимость, достоверность и применимость информации;
- интерпретация – способность понимать смысл и значение информации в контексте;
- рефлексия – способность осознавать собственные мыслительные процессы и корректировать их.
В рамках изучения информатики и реализации Федеральных рабочих программ (ФРП) критическое мышление конкретизируется через метапредметные результаты:
- для 7-9 классов: «…оценивать надёжность информации по критериям, предложенным учителем или сформулированным самостоятельно», «способность устанавливать причинно-следственные связи и выявлять дефицит информации, данных, необходимых для решения поставленной задачи» [9, с. 15].
- в 10-11 классах дополняется умением «…анализировать полученные в ходе решения задачи результаты, критически оценивать их достоверность, прогнозировать изменение в новых условиях» [10, с. 13].
Особую актуальность эти навыки приобретают в контексте работы с технологиями искусственного интеллекта. Обучающийся должен понимать, что результат работы программы не является объективной истиной, а зависит от качества входных данных, выбранной модели и контекста использования.
Таким образом, развитие критического мышления на уроках информатики подразумевает переход от пассивного потребления цифровых сервисов к активному анализу их внутренней логики. Инструментом, позволяющим реализовать этот переход на доступном уровне, выступает платформа Teachable Machine.
Интерфейс и возможности сервиса Teachable Machine
Google Teachable Machine (TM) – это веб-платформа, позволяющая создавать модели машинного обучения без написания кода [12].
ТМ предоставляет возможность создания 3х видов проектов: по изображениям, аудио и позированию (cм. рисунок 1). Для выбора одного из предложенных проектов необходимо кликнуть на иконку.
Рис. 1. Возможности сервиса Teachable Machine
Интерфейс сервиса интуитивно понятен и состоит из трех основных этапов (см. рисунок 2), что соответствует этапам компьютерного моделирования, описанным в ФРП [9], [10].
Рис. 2. Интерфейс платформы Google Teachable Machine
- Сбор данных (Gather)
Пользователь создает классы (категории) и заполняет их примерами, удерживая левую кнопку мыши, через веб-камеру, микрофон или загрузку файлов. Визуализация процесса записи позволяет обучающемуся сразу видеть, что именно становится «обучающей выборкой» (см. рисунок 3).
Рис. 3. Сбор данных - загрузка 171 изображения шариковой ручки в Class 1
- Обучение модели (Train)
Запуск процесса обучения происходит по нажатию одной кнопки. Пользователь видит прогресс-бар, что формирует понимание ресурсоемкости процесса (см. рисунок 4).
Рис. 4. Обучение модели на основе изображений ручки и маркера
В разделе «Дополнительные» есть параметры обучения нейронной сети, которые стоит упомянуть:
а) Эпохи (количество полных проходов всего набора данных через нейронную сеть в процессе обучения)
- Малое количество эпох (10–20): модель может не успеть выявить закономерности (недообучение).
- Оптимальное количество (50–100): баланс между качеством обучения и временем.
- Избыточное количество (>100): риск переобучения, когда модель запоминает конкретные примеры вместо общих закономерностей.
Методическая рекомендация: для учебных целей рекомендуется устанавливать 50-100 эпох, что обеспечивает достаточное качество обучения при приемлемом времени ожидания.
в) Размер пакета (количество примеров данных, обрабатываемых перед одним обновлением весов нейронной сети)
- Малый размер (16–32): более точная настройка, но медленное обучение, высокая вариативность градиента.
- Средний размер (64–128): компромисс между скоростью и точностью.
- Большой размер (256–512): быстрое обучение, стабильный градиент, но требует больше памяти.
- Скорость обучения (размер шага, с которым алгоритм обновляет веса нейронной сети) – оптимальное значение 0,001.
- Экспорт и проверка (Export/Preview)
Модель тестируется в реальном времени. Визуальная обратная связь осуществляется через столбчатые диаграммы вероятности, показывающие степень уверенности модели в классификации (см. рисунок 5).
Рис. 5. Три этапа: загрузка, обучение и тестирование модели
Ключевой особенностью интерфейса для педагогических целей является мгновенная визуализация ошибки. Если модель классифицирует объект неверно, столбцы вероятности меняются в реальном времени, побуждая ученика искать причину (плохой свет, похожий фон, мало данных). Это создает ситуацию «когнитивного конфликта», необходимую для запуска критического мышления [2].
Развитие критического мышления средствами Teachable Machine
Процесс работы с Teachable Machine включает в себя деятельность, направленную на развитие критического мышления (см. таблицу 1).
Таблица 1. Этапы создания простейшей нейронной сети
|
Этап работы |
Деятельность обучающегося |
Механизм развития критического мышления |
|
Сбор данных |
Фотографирование предметов с разных ракурсов, на разном фоне, при разном освещении. |
Осознанный выбор стратегии, предвидение последствий, понимание зависимости качества данных от результата. |
|
Обучение модели |
Нажатие кнопки «Обучение модели», наблюдение за процессом. |
Построение гипотез о внутренних процессах, понимание алгоритмической природы «обучения». |
|
Тестирование |
Проверка модели на новых примерах, наблюдение за ошибками. |
Столкновение с разрывом между ожиданием и реальностью, анализ причин ошибок. |
|
Анализ ошибок |
Выявление причин неверных классификаций (ракурс, фон, освещение, недостаток данных). |
Причинно-следственный анализ. |
|
Итеративное улучшение |
Добавление новых примеров, переобучение модели, повторное тестирование. |
Формулирование и проверка гипотез, научный метод в действии, рефлексия эффективности действий. |
Использование Teachable Machine может быть интегрировано в учебный процесс на разных ступенях обучения. В таблице 2 представлена систематизация практических заданий, соотносящих возможности сервиса с темами Федеральных рабочих программ для 7-11 классов [2], [8], [9], [10].
Таблица 2. Практические работы с Teachable Machine в соответствии с ФРП
|
Название работы |
Класс |
Краткое описание |
Навыки критического мышления |
Связь с ФРП (Тема/Раздел) |
|
«Угадай предмет: ручка или карандаш?» |
7 |
Создание модели для распознавания двух школьных принадлежностей с последующим анализом ошибок и улучшением данных. |
Осознание зависимости качества модели от разнообразия данных, понимание дискретности представления информации. |
Раздел 2.2 |
|
«Камень, ножницы, бумага» |
7-8 |
Создание модели для распознавания жестов, соревнование между парами на точность распознавания. |
Анализ причин ошибок, понимание роли репрезентативности выборки. |
Алгоритмические конструкции. Исполнители. |
|
«Бананометр: определяем спелость» |
8-9 |
Создание модели для классификации степени спелости банана (недозрелый, спелый, перезрелый), тестирование на «обманках». |
Оценка адекватности модели, понимание границ применимости, анализ влияния фона и освещения. |
Моделирование как метод познания. Оценка адекватности модели. |
|
«Эмоциональный детектор: угадай настроение» |
9-11 |
Создание модели для распознавания базовых эмоций (радость, грусть, удивление, злость), обсуждение проблем предвзятости. |
Выявление алгоритмической предвзятости, понимание социальных и этических аспектов применения ИИ. |
9 класс, Моделирование |
|
«Ошибка робота: фон имеет значение?» |
7-8 |
Обучить жесты на одном фоне. Протестировать на другом. Выявить ошибку классификации фона вместо жеста. |
Выявление скрытых зависимостей. Понимание шума в данных. |
7 класс, Раздел 2.1 «Информационные процессы» (Обработка информации). |
|
«Можно ли доверять диагнозу?» |
9-11 |
Создать модель распознавания простых визуальных признаков. Обсудить ограничения ИИ в медицине. |
Оценка границ применимости технологий. Понимание рисков автоматизации в критических сферах. |
11 класс, Раздел 4.3 «Средства искусственного интеллекта» (Перспективы и ограничения). |
|
«Кто в кадре? Эксперимент с предвзятостью» |
9-11 |
Создание «предвзятой» модели распознавания лиц, тестирование на разных людях, обсуждение проблемы bias. |
Выявление и анализ алгоритмической предвзятости, понимание социальной ответственности разработчиков ИИ. |
9 класс, Раздел 1.1 «Информационная безопасность»; |
Данная таблица демонстрирует, что инструмент не привязан жестко к одному классу, а масштабируется от понимания кодирования (7 класс) до этических дилемм (11 класс), что соответствует принципу непрерывности образования в ФРП [4], [5].
Подробный пример практической работы
Для иллюстрации методики рассмотрим подробное описание практической работы для 7-8 классов, направленной на понимание зависимости результата от качества данных.
Тема: «Ошибка робота: фон имеет значение?»
Место в ФРП: 7 класс, Раздел 2.1 «Информационные процессы» (Обработка информации).
Цель: эмпирически выявить влияние масштаба объекта обучаемой модели и различного фона и освещения на результат классификации.
Оборудование: ПК с веб-камерой, доступ к сайту: https://teachablemachine.withgoogle.com.
Ход работы:
- Подготовка: Учащиеся открывают проект «Image Project» в Teachable Machine. Создают два класса: «рука поднята» и «рука опущена».
- Сбор данных с ошибкой (см. рисунок 6):
- Для класса «рука поднята» учащиеся делают 50 снимков спереди и сзади с поднятой рукой по пояс.
- Для класса «рука опущена» учащиеся делают 50 снимков спереди и сзади с опущенными руками по пояс.
- Эпохи: 100 (на большем количестве нейросеть качественней обучится и меньше будет ошибок).
Рис. 6. Сбор обучающей выборки
- Обучение: Запускается тренировка модели. Модель показывает 100% точность на тестовых данных (которые похожи на обучающие).
- Тестирование и выявление проблемы:
- Провести тестирование нейросети: разными учащимися на различных фонах лицом и спиной, и изображением человека из Интернета. Для загрузки изображения необходимо выключить ввод, выбрать устройство ввода – файл, загрузить или перетащить фотографию (см. рисунок 7).
Рис. 7. Загрузка файла для тестирования нейронной сети
Итог: на результат выходных данных фон и отличный объект от обучаемого не влияет (см. рисунок 8).
Рис. 8. Тестирование нейросети при разных условиях
- Влияние масштаба изображения – видна часть руки, не видна совсем (см. рисунок 9).
- После проведения второго тестирования учитель задает вопрос: «Почему модель ошиблась, ведь рука поднята?».
- Учащиеся выдвигают гипотезы (про свет, про фон).
- Коррекция: Учащиеся добавляют эпохи и снова обучают модель, добавляя снимки поднятой руки на фоне окна и опущенной на фоне стены.
- Снова проверяют, получают тот же результат с приближенным объектом.
- Учащиеся делают вывод, что от фона это не зависит, а нейросеть не может построить линию от плеча до руки, что ведет к ошибкам определения положение рук и неточности выходных данных. На основе этого приходят к выводу, что необходимо добавить данные в модель в условиях ограниченного обзора.
Методический комментарий: не выполняйте переобучение, поскольку модель обучается установленное вами количество эпох на загруженных данных, что тем самым приводит к ошибкам при считывании объекта. Модель запоминает полностью всю картинку, а не сам объект без фона, при несоответствии видимого с заложенным – выходные данные получаются неверными. Увеличивайте количество эпох или скорость обучения, затем с новыми параметрами обучите модель.
Рис. 9. Результат работы нейросети на изображениях с ограниченным обзором положения рук
- Влияния освещения в помещении (см. рисунок 10).
Учащиеся меняют условия считывания данных через камеру, выключая свет в классе. На основе исследований делают вывод: выходные данные зависят от освещенности в классе.
Рис. 10. Зависимость работы нейросети от освещенности
- Заключительный этап: рефлексия
Анализ результата и выводы обучающихся: в ходе работы обучающиеся проходят полный цикл критического осмысления. На этапе рефлексии ученики формулируют следующие ключевые выводы:
- Компьютер «видит» руку как объект, он анализирует линию рук.
- Зависимость от данных: качество работы алгоритма напрямую зависит от репрезентативности выборки.
- Необходимость вариативности: для надежной работы модель должна обучаться на разнообразных данных (разный свет, разный фон, разные ракурсы), чтобы выделять существенные признаки, а не случайные совпадения.
- Критическая оценка достоверности: Результат, выданный компьютером (даже с вероятностью 99%), требует проверки человеком, особенно если условия эксплуатации отличаются от условий обучения.
Это напрямую формирует метапредметное умение «вносить коррективы в деятельность на основе новых обстоятельств, изменившихся ситуаций, установленных ошибок» и «критически оценивать достоверность информации» [9, с. 17], [10, с. 13].
Заключение
Интеграция платформы Teachable Machine в курс информатики является валидным и эффективным методом развития критического мышления обучающихся. Помимо этого, инструмент позволяет визуализировать обучение нейросети и понять основы машинного обучения.
Предложенная система практических работ обеспечивает достижение трех групп универсальных учебных действий (УУД), заявленных в ФРП:
- Познавательные УУД: Через развитие навыков критического анализа, выявления причин ошибок, установления причинно-следственных связей между качеством данных и результатом работы модели [9, с. 15], [1].
- Регулятивные УУД: Через умение вносить коррективы в деятельность на основе установленных ошибок, планировать сбор данных и оценивать соответствие результата цели [9, с. 17].
- Личностные и коммуникативные УУД: Через формирование этического отношения к технологиям, понимания социальной ответственности разработчика и навыков обсуждения проблем цифровой безопасности в группе [10, с. 11-12], [13].
Использование TM не подменяет изучение алгоритмизации, но дополняет его, создавая прочный фундамент для изучения более сложных тем в 9 классе («Моделирование», «Управление») и 11 классе («Средства искусственного интеллекта»). Для учителей информатики рекомендуется включить данные практические работы в разделы, посвященные информации и представлению данных, используя их как иллюстративный материал для развития критического мышления, что соответствует современным требованиям к качеству общего образования.
Список литературы:
- Асмолов А.Г. Системно-деятельностный подход к разработке стандартов нового поколения // Педагогика, 2009. №4. С. 18-22.
- Босова Л.Л. Информатика. Учебник 9 класс. М.: БИНОМ. Лаборатория знаний, 2023. 208 с.
- Выготский Л.С. Лекции по психологии. Мышление и речь. М.: Издательство Юрайт, 2023. 432 с.
- Об утверждении федерального государственного образовательного стандарта основного общего образования: приказ Министерства просвещения РФ от 31 мая 2021 г. №287 // Гарант.ру (информационно-правовой портал). (дата обращения: 01.02.2026).
- Об утверждении федерального государственного образовательного стандарта среднего общего образования: приказ Министерства образования и науки РФ от 17 мая 2012г. №413 // Гарант.ру (информационно-правовой портал). (дата обращения: 01.02.2026).
- Рожкова А.В. Обзор научных теорий формирования критического мышления в исследованиях российских и западных учёных // Мир науки. Педагогика и психология, 2023. Т. 11. №5. C. 10.
- Рубинштейн С.Л. Основы общей психологии. СПб.: «Питер», 2024. 713 с.
- Семакин И.Г. Информатика. Базовый уровень. 10-11 класс. М.: БИНОМ. Лаборатория знаний, 2022. 224 с.
- Федеральная рабочая программа основного общего образования. Информатика (базовый уровень) для 7-9 классов. М.: 45 c.
- Федеральная рабочая программа среднего общего образования. Информатика (базовый уровень) для 10-11 классов. М.: 46 c.
- Халперн Д. Психология критического мышления / / Дайана Халперн; [Пер. с англ. Н. Мальгина и др.]. 4. междунар. изд. СПб.: Питер, 2000. 503 с.
- Google Creative Lab. Teachable Machine. (дата обращения: 01.02.2026).
- Luckin R. Machine learning and human intelligence: the future of education for the 21st century. London: UCL Press, 2018. VIII, 157 p.
Teachable Machine as a tool for developing critical thinking through visual learning neural networks
Budnik S.A.,
student of 4 course of the Moscow City University, Moscow
Coauthor:
Budnik F.A.,
student of 4 course of the Moscow State University of Civil Engineering, Moscow
Research supervisor:
Usova Natalia Alexandrovna,
Associate Professor, Department of Informatization of Education, Institute of Digital Education, Moscow City University, Candidate of Pedagogical Sciences
Abstract. В the article examines the potential of the platform Google Teachable Machine for developing critical thinking skills in students in a computer science course. The relevance of the research is due to the need to develop students' functional digital literacy and critical thinking in the context of the digital transformation of society. The scientific novelty lies in the systematization of practical tasks using visual learning neural networks linked to specific topics of the Federal work programs in computer science for grades 7-11. The practical significance of the work lies in the development of methodological recommendations that allow teachers to use the tool without in-depth programming to demonstrate the principles of AI operation, data quality, and ethical limitations. The practical part contains examples of educational tasks indicating the connection with the sections of the Federal Work Program and the universal learning actions being formed. One practical work is presented in detail with step-by-step instructions and an analysis of student conclusions.
Keywords: critical thinking, Teachable Machine, Federal Work Program, computer science, artificial intelligence, visual learning, modeling, universal learning actions.
References:
- Asmolov A.G. System-Activity Approach to the Development of New Generation Standards. Pedagogy,2009, №4.: 18-22.
- Bosova L.L. Informatics. Textbook for Grade 9. Moscow: BINOM. Laboratoriya znaniy, 2023. 208 p.
- Vygotsky L.S. Lectures on Psychology. Thinking and Speech. Moscow: Yurayt Publishing House, 2023. 432 p.
- On the Approval of the Federal State Educational Standard for Basic General Education: Order of the Ministry of Education of the Russian Federation dated May 31, 2021. №287 // Garant.ru (Information and legal portal). (date of the address: 01.02.2026).
- On the Approval of the Federal State Educational Standard for Secondary General Education: Order of the Ministry of Education and Science of the Russian Federation dated May 17, 2012. №413 // Garant.ru (Information and legal portal). (date of the address: 01.02.2026).
- Rozhkova A.V. Review of Scientific Theories of Critical Thinking Formation in the Research of Russian and Western Scholars. World of Science. Pedagogy and Psychology, 2023. Vol. 11. №5.: 10.
- Rubinstein S.L. Fundamentals of General Psychology. St. Petersburg: «Piter», 2024. 713 p.
- Semakin I.G. Informatics. Basic Level. Grades 10- Moscow: BINOM. Laboratoriya znaniy, 2022. 224 p.
- Federal Work Program for Basic General Education. Informatics (Basic Level) for Grades 7-9. Moscow: 45 p.
- Federal Work Program for Secondary General Education. Informatics (Basic Level) for Grades 10-11. Moscow, 2025. 46 p.
- Halpern D. Thought & Knowledge: An Introduction to Critical Thinking. (N. Malgin et al., Trans.). 4th international ed. St. Petersburg: Piter, 2000. 503 p.
- Google Creative Lab. Teachable Machine. (date of the address: 01.02.2026).
- Luckin R. Machine learning and human intelligence: the future of education for the 21st century. London: UCL Press, 2018. VIII, 157 p.