🤖 Итоги ИИ

Специально для @edulabai

Россия: ИИ стал не столько “помощником студента”, сколько индикатором разных образовательных стратегий

Российские исследования всё чаще смещают фокус с вопроса «используют ли студенты ИИ?» на вопрос «что именно они ему делегируют». В статье Я. И. Кузьминова, Е. В. Кручинской, И. А. Груздева и А. А. Наумова в Высшем образовании в России генеративный ИИ описывается как фактор, который может усиливать разрыв между студентами: одни используют его для проверки аргументов, структурирования идей и развития работы, другие — для обхода самой учебной деятельности.

Это важный сдвиг для регулирования. Если студент использует ИИ как редактора, тьютора или инструмент обратной связи — это одна образовательная ситуация. Если ИИ фактически производит за него текст, решение или анализ — другая. Поэтому простого правила «можно / нельзя» уже недостаточно: нужна типология допустимых, сомнительных и недопустимых сценариев использования.

Отдельно здесь возникает проблема ИИ-чекеров. Они кажутся быстрым административным решением, но не отвечают на главный педагогический вопрос: что именно произошло в процессе работы студента. Даже если текст выглядит “AI-like”, это ещё не доказывает подмену мышления; и наоборот, удачно отредактированный ИИ-текст может не быть обнаружен. Поэтому регулирование должно опираться не только на проверку финального продукта, но и на процесс: черновики, источники, устную защиту, рефлексию и прозрачное раскрытие использования ИИ.

США: университеты переходят от реакции на ChatGPT к институциональным правилам

Американская повестка за 2024–2025 год показывает, что ИИ перестал быть только проблемой студенческих эссе. В исследовании Springer Nature, посвящённом guidelines топ-50 университетов США, анализируются правила использования генеративного ИИ в преподавании, обучении, исследованиях и административной деятельности. Это уже не разговор об одном инструменте, а попытка описать полный академический контур: syllabus policies, research integrity, авторство, данные, disclosure и ответственность за результат.

На практике это означает, что университеты всё чаще признают: преподавателю недостаточно просто написать в задании «ChatGPT запрещён» или «ChatGPT разрешён». Нужно объяснять, какие виды помощи допустимы, где требуется раскрытие использования, какие данные нельзя загружать во внешние сервисы и как проверяется самостоятельный вклад студента. ИИ здесь становится не внешней угрозой, а частью среды, которую приходится проектировать.

Краеугольный камень — снова AI detection. Даже Turnitin в своих материалах признаёт возможность false positives и использует пороги, чтобы снизить риск ошибочного обвинения. Более свежие исследования надёжности детекторов показывают, что особенно уязвимыми могут быть EFL-студенты: их академическое письмо нередко выглядит более шаблонным, лексически ограниченным или синтаксически предсказуемым, из-за чего риск ложной маркировки возрастает. Поэтому в США всё сильнее звучит мысль: ИИ-чекер может быть сигналом для разговора, но не должен становиться единственным доказательством академического нарушения.

Европа: этика ИИ превращается из декларации в управленческую процедуру

Европейские исследования и практики выглядят наиболее системно. В статье Nature Humanities and Social Sciences Communications о первых policy responses университетов выделяются повторяющиеся этические измерения: accountability, human oversight, transparency, inclusiveness. То есть в центре оказывается не сам факт использования ИИ, а вопрос управляемости: кто принимает решение, кто проверяет результат, кто несёт ответственность и как обеспечивается прозрачность процесса.

Эта логика усиливается и на уровне регулирования. Article 4 EU AI Act вводит обязанность обеспечивать достаточный уровень AI literacy у сотрудников и других лиц, работающих с ИИ-системами от имени организации. Для образования это принципиально: ИИ-грамотность перестаёт быть личным навыком энтузиаста и становится частью институциональной ответственности. Университету уже недостаточно “разрешить пользоваться ИИ”; он должен понимать, кто, где, зачем и с какими рисками его применяет.

На уровне университетских практик это хорошо видно в шведском кейсе: исследование Springer Nature о регулировании и внедрении GenAI в Swedish higher education institutes показывает переход от policy к practice — от общих принципов к документам, рекомендациям, публичным инструкциям и языку good academic practice. В этой рамке ИИ-чекеры занимают ограниченное место: они не заменяют педагогическое проектирование, а лишь подчёркивают необходимость более зрелых процедур — assessment redesign, disclosure, human oversight и понятных правил для преподавателей и студентов.

Китай: масштаб внедрения делает вопрос границ особенно острым

Китайские исследования показывают, что генеративный ИИ уже встроился в повседневную учебную практику. В исследовании Scientific Reports об инженерном образовании в Китае часть студентов сообщала о ежедневном использовании ИИ, а ещё более значительная группа — об использовании несколько раз в неделю. При этом ИИ описывается не только как генератор текста, но и как инструмент объяснения, проверки идей, поддержки решения задач и повышения учебной эффективности.

Однако именно масштаб использования усиливает вопрос границ. Если ИИ становится постоянным “учебным спутником”, то нужно различать поддержку самостоятельного мышления и зависимость от инструмента. Исследования китайских студентов также показывают, что принятие ИИ зависит не только от качества модели, но и от привычки, цены, доступности, условий использования и perceived value. Иными словами, образовательная среда определяет не меньше, чем сама технология.

В азиатском контексте это особенно важно: чем шире внедрение, тем слабее работает идея точечного контроля через детекторы. Если ИИ используется регулярно и на разных этапах работы, попытка поймать “следы ИИ” в финальном тексте становится методологически бедной. Гораздо важнее понять, какие формы использования считаются учебно продуктивными, какие требуют раскрытия, а какие подменяют результат. Поэтому следующий этап здесь — не борьба с ИИ как таковым, а проектирование правил совместной работы человека и системы: в обучении, оценивании, исследовании и профессиональной подготовке.

Что это означает для нового учебного года?

Кажется, 2026–2027 учебный год станет годом не столько новых инструментов, сколько новых правил работы с ними.

Первый очевидный сдвиг — от индивидуальных решений к локальным политикам. Всё больше курсов, программ и подразделений будут вынуждены явно прописывать, где ИИ допустим, где его использование должно быть раскрыто, а где оно нарушает саму логику задания. Формулировки уровня «ИИ запрещён» или «ИИ можно использовать» уже не работают: они не описывают ни степень участия инструмента, ни ответственность за результат.

Второй сдвиг связан с оцениванием. Если финальный текст может быть сгенерирован, отредактирован или частично собран при помощи ИИ, то проверять только готовый продукт становится недостаточно. На первый план будут выходить процесс, источники, черновики, аргументация, устная защита, рефлексия и способность объяснить собственные решения. ИИ-чекеры в этой логике могут быть лишь вспомогательным сигналом, но не основанием для автоматического обвинения.

Третий сдвиг — в сторону профессиональной ИИ-грамотности преподавателей и администрации. Речь уже не только о промптах, а о более сложной компетенции: понимать риски, различать типы автоматизации, проектировать задания с учётом ИИ, работать с данными, не подменять экспертизу инструментом и объяснять эти границы студентам и коллегам.

Четвёртый сдвиг касается управленческих процессов. ИИ будет всё активнее входить не только в аудиторию, но и в работу с документами, отчётами, протоколами, программами дисциплин и аналитическими материалами. Здесь вопрос границ становится особенно острым: что можно автоматизировать полностью, что требует обязательной проверки, а что в принципе не должно передаваться внешней системе из-за данных, контекста или ответственности.

Поэтому главный вопрос нового учебного года, вероятно, будет звучать не так: «пользоваться ИИ или нет?»

Скорее так: какие образовательные, исследовательские и административные процессы мы готовы перестроить с учётом ИИ — и какие правила должны защищать качество, ответственность и самостоятельность работы?