Дейтерагогика. Сухое изложение

Автор

Пащенко Олег Геннадьевич — преподаватель Школы дизайна Факультета креативных индустрий НИУ ВШЭ, главный редактор портала concept.mediiia.

Дисциплина пилота

«Проектный семинар. Дизайн и программирование», 2-й курс бакалавриата «Дизайн» (54.03.01).

Контакты

opashenko@hse.ru +7 905 738-56-72 тг: humanimalien tгк: humanimalien humanimalien.monster

Выполнение учебного задания по цифровому дизайну стало частично или полностью алгоритмизируемым. Этого оказалось достаточно, чтобы вся привычная педагогика направления устарела.

С 2023 года генеративные модели — текстовые, визуальные, кодовые — научились собирать аккуратный пользовательский интерфейс за минуты. К 2026 году любой может открыть Figma Make, Claude Design, Pencil, v0, Recraft, Midjourney и десяток других редакторов и по короткому запросу получить лендинг, продуктовую карточку или прототип приложения на 30–40 экранов — на уровне сильной учебной работы. Профессия дизайнера от этого не упраздняется, но прежний критерий учебного успеха — «студент сам, своими руками, собрал работающий прототип» — больше ничего не доказывает: машина делает то же самое, часто лучше — и всегда во много раз быстрее.

Дальше у дизайн-образования три дороги.

Можно запретить ИИ — и тут же получить непреодолимый разрыв между учебной нормой и индустрией: за дверью аудитории студент всё равно работает с нейросетью, внутри учится притворяться, что не работает, и обучение превращается в спектакль.

Можно сделать ИИ главной темой курса — и дисциплина превратится в путеводитель по сервисам, которые закрываются быстрее, чем студент пройдёт туториал, так и не научившись проектировать.

Или, наконец, признать, что произошёл категориальный онтологический сдвиг, и сместить точку и критерий оценки.

«Дейтерагогика» — это как раз третий вариант.

Греческое слово δεύτερος означает «второй; идущий вслед». Дейтерагогика — педагогика-после-педагогики, педагогика рядом с машиной. У студента теперь есть второй обучающий и проектирующий агент — ИИ; и весь вопрос в том, как удержать в таком дуэте позицию человеческого автора и человеческую агентность.

Иными словами, это педагогика как ассамбляж из людей, технологий и знаний, который постоянно пересобирается: состав меняется чуть ли не помесячно, а смысловой стержень держится. Сервисы приходят и уходят. Чему студент учится, так это собирать оптимальный рабочий конвейер под задачу и при этом трезво к нему относиться.

Чаще всего ИИ просто пристёгивают к курсу сбоку, дескать, «вот ещё и такое появилось недавно». «Дейтерагогика», напротив, затрагивает сразу шесть её элементов:

1. Объект оценивания. От «красоты и аккуратности прототипа» — к «протоколу мышления»: проектная гипотеза, исследование контекста, сценарная логика, ИИ-пайплайн, журнал отсечения вариантов, связь теории с интерфейсом, аргументация решения.
2. Образовательный контракт. Студенту явно сообщается: ИИ разрешён, ожидаем и поощряется — и именно потому, что разрешён, его обязательно спросят: почему вы подключили этот инструмент, а не другой, что тот автоматизировал, где потребовалось ручное вмешательство, какие варианты были отброшены и по каким критериям.
3. Формат занятия. Занятие не должно быть похоже ни на лекцию для пассивного прослушивания, ни на воркшоп-тьюториал, когда ментор показывает, как он пользуется тем или иным инструментом. Скорее это мастерская: короткие циклы «разогрев — микро-лекция — мини-практика — разбор — exit ticket». Присутствие студента на занятии при этом подтверждается следом работы, причём не имеет значения: был этот след оставлен тем, кто посетил занятие очно — или тем, кто подключился через Яндекс Телемост.
4. Инструментальный пайплайн студента. Любые ИИ-сервисы — заменяемые элементы. Студент не «учит Figma Make» и не «осваивает Claude Design», вместо того он каждый раз собирает и пересобирает пайплайн под конкретную задачу.
5. Инструментарий преподавателя. Главный и наиболее успешный инструмент — это то, что мы называем «ИИ-ассистированный фидбэк»: устный разбор проекта, живое его обсуждение, любые дискуссии и мозговые штурмы тщательно стенографирует большая языковая модель, расшифровывает их и, наконец, превращает в хорошо структурированный текст, который становится частью проектной документации команды, пищей для размышлений и руководством к дальнейшим действиям.
6. Источник доказательной базы. Второй важный инструмент — регулярный сбор студенческой обратной связи (причём не только через официальную процедуру СОП, но и своими силами и значительно чаще, чем 4 раза в год). Затем собранные мнения, сигналы и пожелания обрабатываются специально настроенным ИИ-агентом, который помогает правильно всё это интерпретировать и в реальном времени работать над своими преподавательскими стратегиями и тактиками как собственным проектом — параллельно со студентами, которые работают над своими.

Таким образом, вопрос «как пользоваться ИИ в курсе» просто в такой форме не стоит. Важнее понять, какой вообще должна стать дисциплина цифрового дизайна теперь, когда машина делает всё сама.

Раз готовые картинки и прототипы больше ничего не доказывают, оценивать приходится то, что раньше бралось в скобки некоего некодифицированного «преподавательского чутья»: как студент ставит задачу, выбирает инструменты, отбрасывает варианты, прокладывает путь от теории к реализации, наконец, как аргументирует и берёт на себя ответственность за финальное решение. «Протокол мышления» делает это всё явным и подлежащим формализации — через обязательные артефакты, которые можно взять в руки и оценить.

Методика выводит студента к шести результатам — у каждого свой наблюдаемый артефакт:

5.1. Проектная гипотеза

Переход от общей идеи продукта к проверяемой задаче: назвать пользовательскую, поведенческую или исследовательскую задачу; объяснить, почему она требует именно этой, а не какой-либо иной, технологии и платформы; описать ожидаемый наблюдаемый эффект.

5.2. Контекст использования

Конкретная ситуация: где, когда, в каком состоянии, с какими ограничениями и, главное, зачем человек взаимодействует с интерфейсом. В фокусе — ситуативный срез повседневности живого человека, а не абстрактный демографический портрет.

5.3. ИИ-пайплайн

Выбор цифровых и генеративных инструментов под задачу; для каждого — роль в пайплайне: что ускорил, какие шаблонные решения произвёл, где потребовалось человеческое вмешательство. Ответственность за итоговый выбор несёт студент.

5.4. Журнал отсечения

Фиксируется не только то, что вошло в проект, но и то, что отброшено — и по какой причине. Оценивается качество критериев отбора: соответствие гипотезе, данным исследования, сценарию, визуальной системе, техническим и этическим ограничениям. Без журнала карта пайплайна декларативна, потому что невозможно отличить осознанный выбор от того, что сгенерировали и ничтоже сумняшеся взяли в работу.

5.5. Связь теории с решением

Теория считается освоенной только тогда, когда оставила след в проекте: изменила гипотезу, сценарий, архитектуру, компонент, визуальную иерархию, ритм взаимодействия или способ презентации. Принцип «одна концепция — один артефакт» защищает курс от пустого концептуализма.

5.6. Аргументация

Проект защищается как сумма доводов: проблема, контекст, гипотеза, сценарий, прототип, проверка, ограничения, дальнейшие шаги.

Общая шкала — 100 баллов.

Проектная гипотеза 20 Ясность задачи, пользователь / контекст, уместность формата, наблюдаемый эффект, критерий проверки

Исследование и контекст 15 Наблюдения, интервью, Job Stories, карта контекста, переход от мнений к ситуациям

Сценарная и UX-логика 15 Ключевой путь, первый вход, пустые состояния, граничные сценарии, отклик интерфейса, переходы

ИИ-пайплайн 15 Роль инструментов, осмысленность подключения, критика шаблонности, ручная правка, ограничения

Журнал отсечения 15 Какие варианты отброшены, почему, по каким критериям, как отсечение связано с гипотезой

Связь теории с проектом 10 Конкретный след теоретической рамки в гипотезе, сценарии, архитектуре, интерфейсе или презентации

Итоговая аргументация 10 Проект как связный довод: проблема, контекст, гипотеза, решение, проверка, ограничения

Уровни освоения. Высокий — если элемент влияет на проектное решение; видно, как гипотеза, исследование, пайплайн и отсечение меняют интерфейс. Достаточный — если присутствует и связан с проектом, но не всегда существенно влияет на результат. Минимальный — если формально заявлен, но связь с процессом проектирования слаба. Недостаточный — если отсутствует или подменён декларативным текстом.

Занятие идёт короткими циклами: разогрев → микро-лекция → мини-практика → разбор → следующий блок → exit ticket. Присутствие подтверждается следом работы: карточкой в FigJam, скрином, вопросом, мини-аудитом, правкой сценария, аргументированным отказом от варианта и т. п. Только тогда по-настоящему видна вовлечённость и тех, кто физически пришёл в аудиторию, и тех, кто участвует онлайн. Для последних пропадает возможность просто подключиться и, выключив звук, заниматься своими делами (что порой происходило раньше). Причём след я намеренно понимаю достаточно широко: засчитываются и готовое решение, и наблюдение, и разбор чужого примера, и обнаруженная проблема, и гипотеза.

8.1. Пайплайн студента

Карта пайплайна собирается из функций, а не из ИИ-брэндов. По каждому узлу студент отвечает на пять вопросов: какую функцию закрывает инструмент (поиск, прототипирование, исследование, генерация визуала, копирайтинг, проверка), что он ускорил, что сделал шаблонным, где понадобилось «ручное управление», и какие ограничения учтены — этика, авторское право, контекст применения, надёжность данных. Один и тот же сервис у разных команд может стоять в разных узлах и отвечать за разное, и это нормально: оценивается уместность узла в цепочке, а выбор бренда сам по себе ничего не решает.

В пилоте 2025/26 базовая среда — Figma и FigJam (прототип, борд, совместная работа в реальном времени), Cargo — для лонгридов и лендингов, генеративные модели команда подбирает сама. Поскольку карта описана через функции, узлы свободно замещаются: вместо западной модели может внедряться YandexGPT, для распознавания речи — Yandex SpeechKit, и методика от этого не страдает. Это сознательная страховка от санкционной и сервисной турбулентности — то, что сегодня доступно, завтра может закрыться, и пайплайн обязан это пережить.

8.2. ИИ-ассистированный фидбэк

Это я придумал и собрал сам. Цепочка такая: устный разбор на консультации → запись речи → языковая модель → собранный по шаблону письменный фидбэк команде. Шаблон жёсткий:

● проект / команда; ● вводная рамка (как преподаватель прочитал ситуацию); ● что уже работает; ● что не дожато; ● конкретный следующий шаг до следующей консультации; ● финальная синтетическая формулировка.

Знакомая боль: преподаватель говорит горячо и многословно, отвлекаясь и «растекаясь мысию по древу», студент теряет нить, а через час забывает всё услышанное, команда уходит, не определив и не записав дальнейшие шаги, и до новой консультации варится в собственном «впечатлении» от того, что я сказал. Письменный фидбэк по шаблону превращает разовую реплику в документ, к которому возвращаются. К сервису процедура не привязана: ChatGPT, Claude, YandexGPT, локальная модель, распознавание речи (включая Yandex SpeechKit), ручная стенограмма по тому же шаблону — годится любое.

8.3. ИИ как инструмент анализа обратной связи

Отзывы из СОП и анонимных Google Forms я очищаю от эмоционального шума, выгружаю в CSV и вместе с методическими файлами курса отдаю языковой модели (сейчас это ChatGPT Project, параллельно я собираю версию на YandexGPT). На выходе получается кластеризованная карта мнений, выявленные болевые точки, проверяемые гипотезы улучшения курса, журнал педагогических отсечений (что я решил исправить, а что не менять, несмотря на отдельные сигналы) и вопросы для следующего короткого опроса. Отзыв следует читать как симптомокомплекс, а не прямое руководство к действию, потому что студент может ощущать проблему, но причину нестроений называть наугад.