Гибридная эпистемология: эмерджентные формы знания в эпоху когнитивной интеграции человека и ИИ

Перевод статьи философа А.Лихацького, в которой представлена гибридная эпистемология, предлагающая новое понимание того, как формируется знание в процессе когнитивного взаимодействия человека и искусственного интеллекта. Традиционная философия рассматривала знание как то, что отдельный индивид приобретает через опыт или рациональное мышление. Однако этот взгляд уже не отражает современную реальность. В исследовании рассматриваются три ключевых вызова: как оценивать познавательные утверждения, если процесс мышления включает непрозрачные алгоритмы? Что происходит, когда сети доверия заменяют традиционные методы обоснования? Как распределяется когнитивная ответственность в партнерстве между человеком и машиной? Эти вопросы имеют значение, поскольку гибридные системы знания уже влияют на медицинские диагнозы, юридические решения и политический выбор, которые непосредственно касаются жизни людей.

---

Андрий Лихацький

ГИБРИДНАЯ ЭПИСТЕМОЛОГИЯ: ЭМЕРДЖЕНТНЫЕ ФОРМЫ ЗНАНИЯ В ЭПОХУ КОГНИТИВНОЙ ИНТЕГРАЦИИ ЧЕЛОВЕКА И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Постановка проблемы

Представьте обычное утро в современном медицинском учреждении. Врач изучает рентгеновские снимки вместе с системой диагностики на основе искусственного интеллекта, которая проанализировала тысячи аналогичных изображений. Система выделяет небольшой паттерн, которую врач мог бы не заметить. Его клинический опыт помогает поместить это открытие в контекст общей истории болезни пациента. Знание возникает из их сотрудничества: ни врач, ни система ИИ не могли бы прийти к тому же диагностическому заключению по отдельности.

Эта ситуация иллюстрирует фундаментальное изменение в процессе производства знания. Традиционная философия исходила из того, что разум человека функционирует автономно, стремясь постичь мир. Эта идея — что знание принадлежит отдельным мыслящим существам, способным четко отличать собственные мысли от внешней реальности, — нашла свое воплощение в знаменитом декартовском тезисе «Я мыслю, следовательно, существую». Однако современные практики знания рисуют иную картину.

Проблема выходит далеко за рамки простого использования инструментов. Когда врач пользуется стетоскопом, он остается главным познающим субъектом — инструмент лишь усиливает то, что он способен воспринимать. Системы ИИ не просто усиливают человеческое восприятие. Они активно участвуют в выработке новых пониманий. Диагностический алгоритм не просто обрабатывает данные врача. Он обнаруживает в медицинских изображениях паттерны, лежащие за пределами человеческого восприятия, и порождает открытия, которые меняют то, как врачи мыслят о болезни.

Почему это важно? Потому что системы ИИ теперь участвуют в принятии важных социальных решений. На алгоритмы полагаются при зачислении в университеты, назначении уголовных наказаний и одобрении кредитов. Прогностические модели направляют меры в области общественного здравоохранения, городское планирование и инвестиционные проекты. Машинное обучение все чаще используется в научных исследованиях для обнаружения паттернов в сложных наборах данных, таких как климатическое моделирование и геномика. Поскольку знание возникает из коллаборации человека и ИИ, вопросы справедливости, подотчетности и надежности перестают быть теоретическими головоломками и становятся насущными практическими проблемами.

---

Современное состояние исследований

Хотя исследователи применяли различные подходы к изучению взаимоотношений между ИИ и знанием, существующий корпус работ демонстрирует заметные пробелы. Фундамент для теории расширенного разума был заложен Кларком и Чалмерсом. Согласно их гипотезе, когнитивные процессы часто используют инструменты и структуры окружения в дополнение к тем, что находятся внутри мозга. Вспомним, как мы используем GPS для вождения или полагаемся на смартфоны для запоминания номеров телефонов — эти устройства становятся частью нашего когнитивного аппарата. Однако Кларк и Чалмерс сосредоточились на пассивных инструментах вроде калькуляторов и записных книжек. Системы ИИ представляют собой иную проблему. Алгоритмы машинного обучения не просто поддерживают человеческое мышление; они активно порождают инсайты, преобразующие целые области знания, например, когда они обнаруживают неизвестные ранее астрофизические события или новые молекулы лекарств.

Исследования распределенного познания изучали, как команды совместно решают сложные проблемы. Хатчинс показал, что навигация военного корабля требует сложной синхронизации людей, инструментов и процедур. Ни один человек не обладает всеми знаниями, необходимыми для успешной навигации. Однако исследования распределенного познания не смогли адекватно охватить системы ИИ, которые функционируют как качественно иные когнитивные партнеры, подобные человеческим членам команды.

Фокус исследований науки и техники был направлен на то, как технологии активно влияют на производство знания. Согласно акторно-сетевой теории Латура, нечеловеческие акторы — от письменных текстов до лабораторного оборудования — вносят вклад в создание научного знания. Чтобы охватить системы ИИ, которые могут превосходить человеческие когнитивные способности в определенных областях, эти рамки необходимо обновить. Более глубокие эпистемологические вопросы были упущены в недавних работах по объяснимому ИИ (XAI), которые затрагивали технические аспекты алгоритмической непрозрачности. Что означает для нашего понимания самого знания тот факт, что система ИИ генерирует точные предсказания с помощью методов, трудно постижимых для человека? Технических решений недостаточно для решения этих философских вопросов.

В дискуссиях об этике ИИ доминировали вопросы справедливости и подотчетности, но не было разработано формальных рамок для понимания опосредованного ИИ знания. Аналогичным образом, эпистемология добродетелей начала исследовать применение традиционных интеллектуальных добродетелей в технологических контекстах; однако эти исследования необходимо расширить, чтобы охватить гибридные человеко-машинные системы, в которых когнитивная работа распределена между различными типами агентов.

---

Цели статьи

В настоящей работе разрабатывается гибридная эпистемология как парадигма для понимания знания, возникающего из когнитивного партнерства человека и ИИ. Исследование направляется тремя целями. Во-первых, в нем объясняется, как современные системы ИИ функционируют в качестве когнитивных агентов, а не пассивных инструментов. Это открытие ставит под вопрос давние философские представления о знании как об индивидуальном достижении. Во-вторых, в работе рассматриваются проблемы эпистемической непрозрачности — ситуации, в которых вычислительные процессы, недоступные для человеческого понимания, порождают точное знание. В-третьих, исследуется распределение когнитивной ответственности в человеко-машинных ассамбляжах.

Метод является теоретико-концептуальным и включает в себя идеи из философии познания, когнитивной науки и исследований науки и техники. Данная работа создает концептуальные основания для понимания эпистемологических сдвигов в технологически опосредованных контекстах, не предлагая эмпирических данных.

---

Изложение основного материала

Кларк и Чалмерс изменили философское представление о мышлении своей тезисом о «расширенном разуме». Они утверждали, что когнитивные процессы регулярно выходят за пределы мозга, включая в себя структуры и инструменты окружающей среды. Ваш смартфон, хранящий контакты? Это часть вашей системы памяти. GPS-навигация? Часть вашего пространственного восприятия. Эти инструменты становятся неотъемлемыми элементами когнитивных процессов, а не просто вспомогательными средствами мышления. Однако системы ИИ гораздо сложнее, чем пассивные калькуляторы и записные книжки, фигурировавшие в исходных примерах Кларка и Чалмерса.

Сегодняшние ИИ-агенты выступают в роли когнитивно активных партнеров, способных адаптироваться, выдвигать гипотезы и обучаться самостоятельно. Это активное качество порождает динамические отношения, а не статичное использование инструментов. Подумайте о том, как радиологи сегодня используют диагностические алгоритмы: ИИ активно обнаруживает паттерны, меняющие клиническое понимание, а не просто усиливает человеческое восприятие. Рассмотрим технологию DeepMind AlphaFold в качестве конкретного примера. Вместо простой обработки данных, предоставленных учеными-людьми, AlphaFold учится предсказывать структуры белков, исследуя эволюционные связи и физические ограничения способами, недоступными человеческому пониманию. Полученные предсказания требуют верификации с помощью экспериментальных методов. Возник цикл производства знания, объединяющий машинное обучение, человеческую экспертизу и лабораторную проверку в интегрированную эпистемическую систему.

Этот сдвиг ставит под вопрос давние эпистемологические представления о том, где локализовано знание. В гибридных контекстах знание не содержится в изолированных человеческих умах, а существует в интерактивных системах, включающих людей, ИИ, данные, интерфейсы и интерпретативные рамки. Локус познания смещается от индивида к интегрированной системе, и знание становится эмерджентным свойством, превосходящим свои элементарные составляющие.

Переход от классической к гибридной эпистемологии включает фундаментальные сдвиги по нескольким измерениям (Таблица 1). Эта рамка демонстрирует, что гибридная эпистемология не просто подстраивает традиционные методологии, а вводит принципиально иные организующие идеи. Возможно, самое важное — то, что фундаментальная единица эпистемического анализа смещается от индивида к системе.

Таблица 1. Ключевые различия между классической и гибридной эпистемологией

Источник: разработано автором.

Здесь возникает серьезная проблема: многие системы ИИ представляют собой «черные ящики», чьи внутренние механизмы трудно объяснить. Программа глубокого обучения может правильно идентифицировать рак кожи по изображениям, но объяснить, как именно она пришла к этому результату, практически невозможно. Система обрабатывает тысячи признаков и взаимодействий, которые человек не может понять. Это порождает эпистемический вызов. Традиционные концепции обоснованного знания часто предполагают, что познающий субъект способен сформулировать причины своих убеждений. Но что происходит, когда истинное знание исходит из вычислительных процессов, недоступных человеческому пониманию?

Эта проблема привела к разработке альтернативных стратегий валидации. Вместо требования эксплицитного обоснования «эпистемическое доверие» и «институциональное обоснование» аутентифицируют знание через доверие к источникам, институтам или процедурам. Обоснование все чаще зависит от сложных сетей отношений доверия, а не от индивидуального понимания доказательств. Рассмотрим области высоких ставок, где это имеет наибольшее значение. Когда системы ИИ влияют на медицинские диагнозы, юридические решения или оборонные вопросы, вопросы ответственности становятся одновременно этическими и политическими. Кто несет ответственность за знание, произведенное гибридными системами? Человек-эксперт, полагающийся на алгоритмические инсайты? Тот, кто спроектировал систему? Институты, которые ее используют?

Проблема непрозрачности выходит за рамки технологических соображений. Поскольку проприетарные системы ИИ все чаще опосредуют производство знания, возникают вопросы эпистемической справедливости, например, кто имеет доступ к этим системам и чьим интересам они служат. Усилия по снижению непрозрачности с помощью объяснимого ИИ (XAI) привели к значительным технологическим достижениям, но они часто упускают из виду лежащий в основе философский вопрос. Хотя методы XAI могут предложить пост-фактум объяснения отдельных действий, они редко делают базовые вычислительные процессы явными способами, удовлетворяющими стандартам традиционного эпистемического обоснования. Фундаментальное напряжение остается: некоторые типы истинного знания могут требовать принятия функциональной непрозрачности.

Временная организация производства знания в гибридных системах значительно отклоняется от стандартных эпистемологических теорий. Традиционные представления о знании часто предполагали дискретные моменты инсайта или открытия, за которыми следовали долгие периоды устойчивой убежденности. Ученый делает открытие, публикует результаты, и знание остается относительно стабильным до появления новых данных. Эта модель отражала человеческий временной масштаб познания — deliberative (основанный на размышлении), последовательный, ограниченный биологическими рамками.

Знание в гибридных системах демонстрирует временную стратификацию — слоистые временные процессы, в которых человеческое размышление, вычислительная обработка и адаптивность системы происходят в различных временных масштабах. Подумайте, как это проявляется на практике: система ИИ может обработать миллионы сходных паттернов за минуты, тогда как человек-эксперт может потратить недели на анализ сложного набора данных. Однако годы профессионального опыта помогают человеку совершенствовать свое контекстуальное понимание и интерпретативные рамки. Эти различные временные ритмы порождают знание, существующее одновременно на нескольких временных горизонтах.

Стратификация наиболее заметна в таких областях, как финансовая торговля, где алгоритмические компьютеры принимают тысячи решений в секунду на основе распознавания паттернов, тогда как человеческий надзор функционирует в масштабе минут и часов, а нормативные рамки меняются в течение месяцев или лет. Утверждения о знании в таких системах невозможно оценивать с помощью традиционных эпистемологических рамок, предполагающих синхронные процессы рассуждения.

Системы ИИ порождают временные сложности также благодаря способности к непрерывному обучению и адаптации. В то время как люди-эксперты могут обновлять свою экспертизу через периодическое взаимодействие с новой литературой или опытом, системы ИИ могут усваивать новые данные на непрерывной основе, что приводит к инкрементальным изменениям в паттернах принятия решений, которые могут быть не сразу очевидны для человеческих партнеров. Это поднимает вопросы об эпистемической ответственности: когда знание возникает из систем, изменяющихся во времени, определение того, какая версия системы породила конкретные инсайты, становится критически важным для валидации и подотчетности. Более того, гибридные системы знания демонстрируют ретроактивную эпистемическую корректировку — способность пересматривать предыдущие выводы в ответ на новые паттерны, обнаруженные в ходе расширенного анализа данных.

Традиционная эпистемология добродетелей акцентировала индивидуальные качества, такие как интеллектуальная скромность, любознательность и критическое мышление. Гибридная эпистемология требует воспринимать эти добродетели как распределенные свойства человеко-машинных систем, а не как индивидуальные характеристики.

Калиброванное доверие возникает как фундаментальная добродетель — способность различать, когда следует полагаться на системы ИИ, а когда ставить человеческое суждение выше. Это заметно отличается от слепой веры или тотального скептицизма по отношению к автоматизированным системам. Калиброванное доверие требует развития сложного метакогнитивного осознания границ и возможностей как человеческого, так и искусственного познания. Радиолог, практикующий калиброванное доверие, может признавать, что системы ИИ превосходят людей в обнаружении тонких вариаций паттернов на медицинских изображениях, которые человеческий глаз может пропустить, одновременно понимая, что контекстуальные факторы — история пациента, необычная презентация, редкие состояния — требуют человеческой интерпретативной экспертизы. Это требует осознания ограниченности как человеческого, так и искусственного познания, а также понимания того, как их сочетание может компенсировать индивидуальные недостатки. Развитие калиброванного доверия включает практический опыт взаимодействия с успехами и неудачами систем. Профессионалы должны научиться распознавать, когда показатели уверенности алгоритма коррелируют с точностью, когда краевые случаи могут сбить с толку автоматизированный анализ и как интегрировать вычислительные инсайты с экспертизой в предметной области. Этот процесс обучения не может быть сведен к простым правилам: он возникает через повторяющееся взаимодействие с гибридными системами в разнообразных контекстах.

Интерпретативная гибкость является другой существенной добродетелью — способность переключаться между несколькими режимами объяснения и рассуждения в соответствии с требованиями различных контекстов и аудиторий. Практики, работающие с системами ИИ, должны уметь переключаться между вычислительным и человеко-ориентированным режимами рассуждения, не теряя критических инсайтов ни из одной из областей.

Помимо модификации способов приобретения информации, системы ИИ фундаментально меняют конфигурацию субъективности. Человеческие субъекты, использующие ИИ для когнитивной поддержки, больше не являются независимыми источниками понимания, а функционируют как узлы в коллективном познании — узлы в расширенной сети, объединяющей человеческий опыт, технологические вычисления и социальные обстоятельства в интегрированную когнитивную систему.

Эта трансформация перекликается с марксовской идеей «родовой сущности» (Gattungswesen) и хайдеггеровским понятием «бытия-в-мире» (In-der-Welt-sein), которые подчеркивают, что индивидуальное сознание всегда погружено в сети значений и интерпретаций. Постфеноменология Дона Иде развивает эту теорию применительно к технологической медиации, показывая, как человеко-технологические отношения фундаментально формируют перцептивный и когнитивный опыт, а не просто дополняют его.

Гибридный субъект формируется в результате когнитивной делегации и интеграции. Поскольку люди все чаще делегируют когнитивные процессы системам ИИ — от памяти и арифметики до сложного распознавания паттернов и направления решений, — функциональные и феноменологические различия между человеческим и машинным познанием становятся менее четкими. Этот процесс происходит постепенно и часто незаметно. Подумайте о том, как GPS-навигация повлияла на пространственное познание. Водители все чаще полагаются на алгоритмическую оптимизацию маршрута вместо того, чтобы формировать ментальные карты своего окружения. Когнитивная функция навигации разделена между человеческим принятием решений и автоматизированным поиском пути. Со временем эта делегация изменяет не только то, как люди путешествуют, но и то, как они воспринимают и понимают пространственные отношения. Различие между человеческим пространственным восприятием и алгоритмической помощью становится все более размытым. Аналогичные параллели появляются в профессиональных областях. Финансовые аналитики интегрируют алгоритмические торговые инсайты в свое понимание рынка. Ученые используют машинное обнаружение паттернов в своем экспериментальном мышлении. Врачи используют диагностические рекомендации ИИ наряду с клиническим суждением. В каждом случае делегация влечет за собой нечто большее, чем просто автоматизацию задач; она означает реконфигурацию когнитивной архитектуры, в которой человеческая экспертиза и вычислительные возможности являются взаимосвязанными компонентами производства знания.

Эта взаимозависимость поднимает фундаментальные вопросы о когнитивной автономии. Когда профессиональная экспертиза становится неотделимой от алгоритмической медиации, что составляет независимое человеческое знание? Гибридный субъект не просто использует ИИ-инструменты, а существует в состоянии постоянной когнитивной коллаборации с искусственными системами, создавая новые формы агентности, которые превосходят традиционные человеко-машинные различия.

Появление гибридного субъекта трансформирует традиционные представления об эпистемической автономии и агентности. Когда знание возникает из человеко-машинного партнерства, вопросы интеллектуальной принадлежности, оригинальности и авторитета становятся сложными. Кто «знает», когда радиолог и система ИИ совместно диагностируют медицинское состояние? Эти вопросы не могут быть разрешены через простое приписывание либо человеку, либо машине, но требуют реконцептуализации агентности как распределенной по всей гибридной системе.

Более того, формирование гибридных субъектов поднимает важные вопросы о когнитивном развитии и образовании человека в среде, насыщенной ИИ. Поскольку молодые люди все чаще развивают свои когнитивные способности в постоянном взаимодействии с системами ИИ, их интеллектуальное формирование происходит через принципиально иные процессы, чем у предыдущих поколений.

---

Выводы

Настоящее исследование разработало гибридную эпистемологию как рамку для понимания производства знания в ситуациях, когда люди и системы ИИ работают как когнитивные партнеры. Анализ выявил три ключевых вывода.

Первый вывод: Современные системы ИИ действуют как когнитивные акторы, а не пассивные инструменты. Это заключение ставит под вопрос классические философские допущения о знании как об индивидуальном человеческом предприятии. Когда системы ИИ активно участвуют в генерации инсайтов, старая концепция автономного познающего субъекта становится несостоятельной. Философские рамки должны теперь поддерживать распределенное познание между человеческими и машинными системами. Фундаментальная единица эпистемического анализа смещается от индивида к интегрированной системе.

Второй вывод: Эпистемическая непрозрачность порождает дополнительные проблемы для валидации знания. Многие системы ИИ используют вычислительные техники, недоступные человеческому пониманию. Традиционные подходы к эпистемическому обоснованию предполагали, что познающие субъекты могут сформулировать рациональные основания для своих взглядов. Когда это становится невозможным, развиваются альтернативные методы валидации. Институциональные сети доверия и протоколы валидации делают возможными новые формы эпистемического обоснования. Этот переход особенно важен в областях, где знание напрямую влияет на человеческое благополучие, порождая новые вызовы подотчетности и управления.

Третий вывод: Гибридные системы знания темпорально стратифицированы. Человеческое мышление и компьютерная обработка происходят в различных временных масштабах. Системы ИИ могут постоянно усваивать новые данные, тогда как люди-эксперты должны обновлять свое понимание через повторяющееся взаимодействие с новым материалом. Это поднимает вопросы об эпистемической ответственности: когда знание извлекается из систем, изменяющихся во времени, определение того, какая версия системы породила конкретные инсайты, становится критически важным для валидации и подотчетности.

Эти выводы указывают на определенные направления дальнейших исследований. Эмпирические исследования могут изучать, как гибридная эпистемология развивается на практике, предпринимая этнографические исследования человеко-ИИ-взаимодействий в конкретных областях. Философское исследование может привести к созданию новых теорий эпистемического обоснования, которые поддерживают как прозрачность, так и обоснование, основанное на доверии.

Вместо того чтобы рассматривать ИИ либо как усовершенствование, либо как угрозу, гибридная эпистемология предлагает более нюансированный подход. Сотрудничество между человеком и машиной приводит к возникновению новых типов понимания. Успешное управление этим переходом включает как технологическую компетентность, так и философский анализ того, как знание эволюционирует. Парадигма, предложенная здесь, устанавливает концептуальные основания для понимания этих сдвигов, а также ведет к будущим теоретическим и эмпирическим исследованиям.

---

Источники:

1. Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7-19. doi: https://doi.org/10.1093/analys/58.1.7

2. Hutchins, E. (1995). Cognition in the wild. MIT Press.

3. Latour, B. (1987). Science in action: How to follow scientists and engineers through society. Harvard University Press.

4. Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583-589. doi: https://doi.org/10.1038/s41586-021-03819-2

5. Burrell, J. (2016). How the machine «thinks»: Understanding opacity in machine learning algorithms. Big Data & Society, 3(1), 1-12. doi: https://doi.org/10.1177/2053951715622512

6. Humphreys, P. (2009). The philosophical novelty of computer simulation methods. Synthese, 169(3), 615-626. URL: https://doi.org/10.1007/s11229-008-9435-2

7. Goldman, A. I. (2001). Experts: Which ones should you trust? Philosophy and Phenomenological Research, 63(1), 85-110. URL: https://doi.org/10.1111/j.1933-1592.2001.tb00093.x

8. Hardwig, J. (1991). The role of trust in knowledge. The Journal of Philosophy, 88(12), 693-708. URL: https://doi.org/10.2307/2027007

9. Matthias, A. (2004). The responsibility gap: Ascribing responsibility for the actions of learning automata. Ethics and Information Technology, 6(3), 175-183. doi: https://doi.org/10.1007/s10676-004-3422-1

10. Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 1-21. doi: https://doi.org/10.1177/2053951716679679

11. Fricker, M. (2007). Epistemic injustice: Power and the ethics of knowing. Oxford University Press. doi: https://doi.org/10.1093/acprof:oso/9780198237907.001.0001

12. O'Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.

13. Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. doi: https://doi.org/10.1038/s42256-019-0048-x

14. Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

15. Zagzebski, L. T. (1996). Virtues of the mind: An inquiry into the nature of virtue and the ethical foundations of knowledge. Cambridge University Press.

16. Hoff, K. A., & Bashir, M. (2015). Trust in automation: Integrating empirical evidence on factors that influence trust. Human Factors, 57(3), 407–434. doi: https://doi.org/10.1177/0018720814547570

17. Marx, K. (1988). Economic and philosophic manuscripts of 1844 (M. Milligan, Trans.). Prometheus Books.

18. Heidegger, M. (1962). Being and time (J. Macquarrie & E. Robinson, Trans.). Blackwell.

19. Ihde, D. (1990). Technology and the lifeworld: From garden to earth. Indiana University Press.

20. Ihde, D. (2009). Postphenomenology and technoscience: The Peking University lectures. SUNY Press.

21. Hayles, N. K. (2017). Unthought: The power of the cognitive nonconscious. University of Chicago Press. doi: https://doi.org/10.7208/chicago/9780226447919.001.0001

22. Boden, M. A. (2004). The creative mind: Myths and mechanisms (2nd ed.). Routledge.

23. Floridi, L., & Sanders, J. W. (2004). On the morality of artificial agents. Minds and Machines, 14(3), 349–379. doi: https://doi.org/10.1023/B:MIND.0000035461.63578.9d

24. Livingstone, S., & Helsper, E. J. (2007). Gradations in digital inclusion: Children, young people and the digital divide. New Media & Society, 9(4), 671–696. doi: https://doi.org/10.1177/1461444807080335

25. Selwyn, N. (2019). What's the problem with learning analytics? Journal of Learning Analytics, 6(3), 11–19. doi: https://doi.org/10.18608/jla.2019.63.3

---

Перевод с английского выполнен для ознакомительных и образовательных целей по изданию: Lykhatskyi, A. (2025). Hybrid epistemology: emergent knowledge forms in the age of human-AI cognitive integration. DOI: https://doi.org/10.21564/2663-5704.66.337968. Оригинальная статья опубликована на условиях открытого доступа Creative Commons Attribution License (CC BY).