# Программировать с ИИ, сохраняя научное суждение

Генеративные ИИ-ассистенты могут поддерживать программирование и разработку инструментов. Исполняемый код, статистическая валидность и соответствие исследовательскому вопросу — разные требования. Нужно определить популяцию, целевую величину, время и допущения о пропусках. Ответственность включает конфиденциальность, справедливость и оспоримость результата.

## 1. Определить

Цель, разрешённые данные и поведение.

## 2. Построить

Небольшие понятные изменения.

## 3. Проверить

Код, расчёты и допущения отдельно.

## 4. Описать

Вклад и решения человека.

## Вымышленная ситуация · предлагаемый подход

Инструмент для объяснения результатов управленцам и публике требует кода, анализа и коммуникации. Степень делегирования зависит от задачи.

### Разработать инструмент

Ход рассуждения : Определить входы, выходы и крайние случаи; изучить изменения и при необходимости использовать синтетические данные.

Полезный результат : Спецификация, история версий и независимо рассчитанный пример.

На что обратить внимание : Доступ агента должен соответствовать разрешённой задаче.

### Анализировать

Ход рассуждения : Сначала записать вопрос и допущения, запросить альтернативы, отделить плановый анализ от поиска.

Полезный результат : Журнал популяции, переменных, целевой величины, пропусков и чувствительности.

На что обратить внимание : Рост объёма работы может создавать иллюзию понимания.

### Учиться с PAIRR

Ход рассуждения : Личный разбор, обсуждение с коллегой, критика ИИ и обоснование принятых и отклонённых советов.

Полезный результат : Последовательные версии, рефлексивная записка и перенос без помощи.

На что обратить внимание : Качество продукта не доказывает обучения; нужны ясные правила и равный доступ.

## Вопросы для размышления

- Доступ агента должен соответствовать разрешённой задаче.
- Рост объёма работы может создавать иллюзию понимания.
- Качество продукта не доказывает обучения; нужны ясные правила и равный доступ.

## Источники и границы выводов

Эксперименты, концептуальные аргументы и рекомендации отвечают на разные вопросы. Литература по 15 октября 2026 года.

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627, 49–58. https://doi.org/10.1038/s41586-024-07146-0

Car, J., Ke, Y., Jin, L., Ong, J. C. L., Thirunavukarasu, A. J., Cheung, C. Y., Tham, Y. C., Ting, D. S. W., Ong, M. E. H., Compton, S., Narayan, A., Keane, P. A., Wong, T. Y., Bates, D. W., Tan, P., & Liu, N. (2026). AI-induced never-skilling in medical education. Nature Medicine, 32, 1997–2006. https://doi.org/10.1038/s41591-026-04438-y

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6

World Health Organization. (2024). Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. https://www.who.int/publications/b/70584