"Shadow adaptation" of generative AI in higher education: problem diagnosis and directions for methodological solutions

Full Text

Введение

Цель исследования

Стремительное развитие технологий генеративного искусственного интеллекта (ИИ) поставило систему высшего образования перед необходимостью экстренной адаптации. Целью настоящей статьи является концептуализация и эмпирическое обоснование комплекса проблем, который мы предлагаем обозначить термином «теневая адаптация», а также разработка организационно-методических рекомендаций по переходу от стихийного к более системному использованию ИИ в высшей школе.

Проблема теневой адаптации

В отличие от предыдущих этапов цифровизации (внедрение LMS, электронных библиотек), которые инициировались административно «сверху», интеграция генеративного искусственного интеллекта (ИИ) происходит во многих случаях преимущественно «снизу» – по личной инициативе преподавателей и особенно студентов. Проанализировав университетские рекомендации и политики в области ИИ 40 ведущих вузов Европы, Азии, Северной и Южной Америки, Африки и Океании, Y. Jin et al. отмечают, что им недостает ясности, последовательности и практической пользы [1, p. 11]. Согласно опросу Global AI Faculty Survey, в рамках которого были опрошены преподаватели в 28 странах, 61% пользуется ИИ в образовательных целях; при этом 80% респондентов заявляют, что существующие руководства по использованию ИИ в преподавании неполны; 80% отмечают, что не получили ясных рекомендаций по методически-корректному применению таких инструментов в рамках преподаваемых ими предметов или курсов [2]. Исследования на материале ряда учебных учреждений США указывают на разрыв между активностью применения ИИ студентами и отношением к нему преподавателей; кроме того, отмечается неоднородность в подходах к определению допустимости ИИ в образовании как педагогами, так и самими учебными заведениями: отдельные образовательные учреждения открыто рекомендуют применять эти технологии в педагогической практике, другие регламентируют полный запрет на их применение [3, p. 63; 4, p. 9]. Варьируются и допустимые форматы использования ИИ студентом [5, p. 1088–1092]. Исследователи говорят о необходимости обучения как педагогического состава, так и студентов, корректной работе с такими инструментами [6, p. 73; 7, p. 10].

Российская высшая школа сталкивается со схожими вызовами. С одной стороны, наблюдается усвоение и интеграция практик ИИ, о чём свидетельствуют многочисленные исследования применения этих инструментов педагогами как технических, так и гуманитарных дисциплин [8–11], а также анкетные опросы на базе крупных вузов [12; 13]. При этом отдельные исследования демонстрируют, что и в российских реалиях отношение преподавателей и студентов к технологиям генеративного искусственного интеллекта неодинаково: популярность инструментов ИИ у студентов высока, в то время как преподаватели демонстрируют сдержанное отношение. Этот разрыв усугубляется различиями в восприятии последствий внедрения технологии: если обучающиеся демонстрируют высокий оптимизм относительно легализации ИИ-помощников, то педагогическое сообщество выражает серьезную обеспокоенность рисками снижения когнитивных навыков и профессиональной деградации [12, с. 42; 13, с. 160, 182].

Сопряжённой с этим вопросом оказывается проблематика правовых лакун. Российский контекст характеризуется здесь пробелами в правовом регулировании ИИ в высшем образовании. С одной стороны, с 2019 года в России разрабатывается и принимается серия стандартов, затрагивающих использование технологий искусственного интеллекта в образовательном процессе (см., например, ГОСТ Р 59896-2021 «Образовательные продукты с алгоритмами искусственного интеллекта для адаптивного обучения в общем образовании. Требования к учебно-методическим материалам»; ГОСТ Р 70949-2023 «Технологии искусственного интеллекта в образовании. Применение искусственного интеллекта в научно-исследовательской деятельности. Варианты использования»; ГОСТ Р 71657-2024 «Технологии искусственного интеллекта в образовании. Функциональная подсистема создания научных публикаций. Общие положения») [14–16]. Однако данные стандарты носят преимущественно технический характер и лишь косвенно затрагивают повседневную преподавательскую практику. Исследователями отмечается также, что у организаций нет правовой обязанности следовать им в разработке и внедрении систем искусственного интеллекта в учебный процесс [17, с. 8]. Рассматривая упомянутые выше стандарты и иные нормативные документы, принятые в целях регулирования ИИ в образовании, Д.С. Данилова и др. указывают, что они «не устанавливают конкретных правил и пределов применения технологий искусственного интеллекта в системе образования». При этом, хотя закон об образовании дает вузам свободу в выработке правил использования этих технологий, на сегодняшний день российские университеты не реализуют это право в полной мере: примеры локального регулирования единичны (ТГУ, НИУ ВШЭ), в то время как большинство вузов работает без внутренней нормативной базы [18, с. 441]. В отдельных исследованиях отмечается также, что знание правовых основ использования ИИ далеко не всегда осмысляется преподавателями как часть профессиональной компетентности. По мнению П.В. Сысоева, «представляется, что большая доля педагогов, использующих ИИ в работе, считает внедрение в учебный процесс некоторых технических решений на основе ИИ легальным только потому, что их используют другие коллеги, и они ничего не слышали о возможных запретах инструментов ИИ отдельных производителей» [19, с. 73].

Наряду с отсутствием институциональных норм наблюдается феномен, который мы предлагаем условно обозначить как «вариативное правосудие». В уже упомянутом исследовании К.И. Буяковой и др. говорится, в частности, что «мнения преподавателей разделились относительно приемлемости использования студентами ИИ в учебной деятельности: 42% считают это приемлемым, 44% – неприемлемым» [13, с. 177]. Это позволяет предположить, что реакция на использование ИИ во многом определяется индивидуальной позицией педагога: за одно и то же действие 30% преподавателей отправят работу на пересдачу, а 6% – снизят оценку, в то время как 45% ограничатся просьбой указать ссылку на факт использования ИИ [13, рис. 14].

Данное положение усугубляется недостатками цифровой грамотности педагогов. Согласно исследованию П.В. Сысоева, ключевым барьером интеграции является не консерватизм преподавателей, а отсутствие системной подготовки: педагоги обладают лишь фрагментарными знаниями о возможностях ИИ, что не позволяет им эффективно встроить технологии в учебный процесс, несмотря на выраженную готовность к инновациям [20, с. 27]. Проведённое позднее тем же автором исследование компетенций современного педагога в области ИИ демонстрирует, что «если речь заходит об использовании ИИ в обучении, для преподавателя важнее не почему и зачем, а как». Исследователь отмечает, что почти никто из педагогов не включил профессиональное развитие в перечень компетенций ИИ; никто из респондентов не воспринимает себя субъектом персонализированного обучения на основе ИИ. Автор делает вывод, что у современных педагогов «ещё не сформировалось целостное и системное представление о дидактическом потенциале технологий ИИ» [19, с. 70, 74].

На данный образовательный ландшафт накладывает отпечаток текущий геополитический контекст. С одной стороны, стратегические документы, такие как Национальная стратегия развития искусственного интеллекта на период до 2030 года, предполагают технологический суверенитет и активное вовлечение педагогов в использование новых средств ИИ [21]. С другой стороны, наблюдаются обозначенные выше пробелы правового регулирования [17; 18] и инфраструктурный разрыв. Западные решения подпадают под экспортные ограничения, однако продолжают активно использоваться, в то время как российские аналоги пока уступают им в популярности [12]. Поскольку институциональная интеграция санкционных сервисов в контур вуза серьёзно осложнена, складывается парадоксальная ситуация: даже если преподаватель стремится облегчить или оптимизировать свой труд с помощью ИИ, использование таких инструментов по большей части смещается в «серую зону», то есть осуществляется в отсутствие локальных норм и в обход внешних ограничений. Кроме того, подобная практика, по-видимому, чаще является проявлением частной инициативы, а не следствием политики на уровне вуза, например в рамках программ повышения квалификации.

Приведённый выше симптомокомплекс – технологические барьеры, фрагментарность подготовки преподавателей, правовая неопределённость и результирующая неоднородность требований и реакций преподавателей на использование ИИ студентами – может быть описан как единый феномен, характеризующий текущий процесс освоения инструментов ИИ и связанных педагогических практик в системе высшего образования России. По аналогии с термином «теневые информационные технологии», под которым понимается использование программных решений в обход официальных IT-департаментов [22], мы предлагаем говорить здесь о «теневой адаптации»: процессе низового внедрения технологий генеративного ИИ, протекающем при минимальном участии административного звена вузов и в условиях отсутствия институциональных этико-правовых норм.

При этом следует оговориться, что метафора «тени» в наибольшей степени применима к ситуациям, когда преподаватель осознанно действует в обход внешних ограничений или в условиях отсутствия формализованных внутренних правил. Однако и в тех случаях, где нормативное поле ещё не сформировано, речь всё равно идёт о той же общей логике низовой, слабо институционализированной адаптации.

Для эмпирической проверки предложенной концептуализации требуется переход от описания к эмпирическому анализу. Безусловно, схожие параметры взаимодействия преподавателей и студентов с системами ИИ уже попадали в фокус внимания российских исследователей (см., например, [12]). Вместе с тем динамика распространения технологий требует не только актуализации этих данных, но и попытки обнаружить в эмпирическом поле сам «сигнал», свидетельствующий о наличии описанных выше структурных диспропорций. В этой связи нами было проведено исследование, направленное на комплексную диагностику текущих педагогических практик. Структура инструментария позволяет не только описать общий ландшафт цифровизации, но и предметно проверить, присутствуют ли в реальности специфические признаки, согласующиеся с гипотезой о «теневой» природе адаптации, или же она не находит подтверждения в текущем контексте.

Материалы и методы исследования

Эмпирическую базу исследования составили данные анонимного онлайн-опроса преподавателей российских вузов, проведенного в период с 13 октября по 19 ноября 2025 года. Всего было собрано 180 анкет; на этапе первичной валидации данных 3 респондента были исключены из анализа в связи с тем, что их преподавательская деятельность осуществляется за пределами России.

Итоговая выборка (N = 177) формировалась методом университетской рассылки с элементами «снежного кома» через профессиональные сообщества и не является вероятностной. География респондентов охватывает Москву, Московскую область, Санкт-Петербург и 14 других регионов. В структуре выборки преобладают женщины (более 60%). По стажу педагогической деятельности респонденты распределились следующим образом: более половины (53%) имеют стаж свыше 16 лет, что характеризует выборку как преимущественно опытных педагогов. В дисциплинарном разрезе большинство респондентов (65%) являются представителями гуманитарных направлений.

В рамках первого вопроса-фильтра опрашиваемым предлагалось ответить, используют ли они инструменты ИИ в преподавании собственных курсов. На основании ответа респонденты классифицировались как «пользователи» либо «не-пользователи» генеративного ИИ в преподавании. Поскольку все последующие вопросы носили обязательный характер, самоидентификация респондентов сопровождалась полным набором ответов о практике использования ИИ, что снижало вероятность отнесения себя к категории «пользователей» без предоставления содержательных оснований. В связи с этим классификация категории «пользователи» основывалась на сочетании самоидентификации и её сопоставления с последующими ответами на обязательные вопросы: респонденты указывали задачи использования ИИ, конкретные инструменты, сценарии их применения, частоту использования и субъективную оценку опыта. Таким образом, бинарная классификация поддерживалась как полнотой данных, так и согласованностью нескольких поведенчески релевантных индикаторов.

Аналогичным образом выявлялась подгруппа «наблюдателей» использования ИИ студентами. Всем участникам задавался вопрос-фильтр о факте наблюдения того, что студенты используют ИИ в рамках освоения предмета (курса). Респонденты, подтвердившие такие наблюдения, рассматривались как «наблюдатели» и допускались к заполнению блока, посвящённого сценариям студенческого использования ИИ, частоте нарушений установленных правил, оценке допустимости такого использования и гипотетическим педагогическим реакциям на нарушения. Тем самым бинарная категория «наблюдатели» также опиралась не только на самоотнесение, но и на последующие обязательные ответы, уточнявшие характер наблюдаемой практики.

Кроме того, все участники исследования, вне зависимости от ответов на вопросы-фильтры, отвечали на вопрос о прохождении обучения использованию ИИ в преподавании, а также на общие вопросы о возрасте, стаже, типе преподаваемой дисциплины, профиле вуза и городе преподавания.

По завершении сбора данных был проведён сплошной качественный контроль логической согласованности ответов. Систематических противоречий, требующих исключения анкет целиком, выявлено не было. Единичные логические несоответствия в отдельных пунктах исключались из анализа только по соответствующему показателю.

Таким образом, вся выборка (N = 177) была разделена на четыре целевые подгруппы:

1) преподаватели, использующие ИИ и наблюдающие его применение студентами (n = 81);

2) преподаватели, не использующие ИИ, но наблюдающие его применение студентами (n = 27);

3) преподаватели, использующие ИИ, но не наблюдающие его применения студентами (n = 24);

4) преподаватели, не использующие ИИ и не наблюдающие его применения студентами (n = 45).

В целях более глубокого изучения этических установок и отношения преподавателей к использованию ИИ студентами основное внимание в работе уделено первым двум группам (N = 108). Поскольку подобный анализ требует обращения к опыту преподавателей, реально сталкивавшихся с использованием ИИ студентами, респонденты, не наблюдавшие такого использования (n = 69), не включались в данный этап этико-педагогического анализа.

Статистическая обработка данных проводилась с использованием критерия хи-квадрат Пирсона (χ²) для анализа таблиц сопряженности и U-критерия Манна–Уитни для сравнения независимых групп. Уровень статистической значимости принят равным p < 0,05. Расчеты выполнены в программной среде Jamovi (версия 2.6.44); визуализация результатов – в Microsoft Excel.

Результаты исследования

Согласно полученным данным, инструменты генеративного ИИ в профессиональной деятельности используют 105 респондентов (59,3%). К этой категории относятся как 81 человек, использующий ИИ и наблюдающий его применение студентами, так и 24 человека, использующих ИИ, но не наблюдающих такого применения.

Для проверки гипотезы о различиях в распространении технологий выборка была разделена на две группы: представители крупнейших столичных агломераций (Москва, Московская область, Санкт-Петербург; n = 112) и преподаватели из 14 других регионов России (n = 65). Объединение Москвы и Московской области в единую категорию обосновано спецификой академического рынка труда и общей цифровой инфраструктурой столичного региона.

Доля пользователей ИИ в столичных вузах составила 58,9% (66 человек из 112), в то время как в региональных вузах этот показатель составил 60,0% (39 человек из 65). Сравнительный анализ не выявил значимых различий в самом факте использования ИИ в профессиональной деятельности между данными категориями респондентов (Москва, Московская область, Санкт-Петербург) и представителями других регионов (χ² = 0,02, p = 0,889).

При этом обнаружена статистически значимая связь между предметной областью и фактом использования нейросетей (χ² = 11,9, p < 0,001). Для корректности сравнения были исключены преподаватели, ведущие дисциплины обоих профилей (n = 9). В подгруппе представителей гуманитарных дисциплин доля преподавателей, использующих ИИ, выше: 67,8% против 39,6% в подгруппе преподавателей, преподающих технические дисциплины. Для установления силы ассоциации между профилем дисциплины и фактом внедрения ИИ был проведён расчёт отношения шансов, которое составило OR = 3,22. Это означает, что в рамках данной выборки гуманитарный профиль преподаваемой дисциплины статистически значимо ассоциирован с использованием ИИ: шансы того, что преподаватель гуманитарных предметов применяет ИИ в работе, в 3,22 раза выше, чем у коллег технического профиля.

Дополнительно был проверен фактор профессионального стажа. В целях корректного статистического сопоставления выборка была разделена на основе медианного распределения (Me = 15 лет) для получения двух близких по численности групп: преподаватели со стажем ≤15 лет (n = 82) и преподаватели со стажем ≥16 лет (n = 95). Анализ не выявил значимой связи между длительностью педагогического стажа и фактом использования инструментов ИИ (χ² = 0,66, p = 0,417).

В рамках нашего опроса 47% респондентов не проходили какого-либо обучения по использованию ИИ в преподавании. При этом статистический анализ выявил значимую связь между фактом прохождения обучения и использованием ИИ в практике (χ² = 21,82, p < 0,001). Среди преподавателей, прошедших подготовку в той или иной форме, доля пользователей ИИ составляет 75,5%, тогда как в группе не проходивших обучение этот показатель равен 41%. Таким образом, абсолютная разница между группами составляет 34,5 процентных пункта. Рассчитанное отношение шансов (OR = 4,45) характеризует силу выявленной ассоциации: в данной выборке шансы на интеграцию ИИ в профессиональную деятельность у педагогов, прошедших подготовку, в 4,45 раза выше, чем у коллег, не имеющих опыта такого обучения.

В выборе программного обеспечения доминируют бесплатные или условно-бесплатные зарубежные сервисы. Наиболее часто упоминаемыми инструментами стали DeepSeek (39 упоминаний), ChatGPT (33), Perplexity (25) и Qwen (12). Отечественные разработки представлены значительно реже: сервис GigaChat отметили 5 респондентов (рис. 1). При этом в ответах заметно преобладают упоминания бесплатных решений: всего бесплатное использование отмечается 147 раз против 26 случаев упоминания платных решений.

 

Рисунок 1 – Основные упомянутые решения ИИ

 

Основными функциями ИИ в работе преподавателя являются генерация текстового контента и идей (65,7%), а также создание тестов и оценочных материалов (56,2%). Аналитические функции, такие как анализ успеваемости, используются крайне редко (4,7%). Результаты приводятся в таблице 1 (допускался выбор нескольких вариантов ответа; подгруппа респондентов формировалась на основе отнесения себя к пользователям ИИ и составила 105 человек; количество ответов по каждому подпункту отражает число респондентов, выбравших данный вариант использования ИИ в преподавании).

 

Таблица 1 – Основные функции использования

Функция	N	отн., %
Генерация текста, идей, сценариев	69	65,7%
Создание тестов и оценочных заданий	59	56,2%
Создание видео/аудио/презентаций	31	29,5%
Преобразование текста/речи, OCR	31	29,5%
Автоматическая проверка ответов	12	11,4%
Аналитика успеваемости	5	4,7%
Составление расписания	2	1,9%

 

В качестве главных преимуществ использования ИИ респонденты выделяют экономию времени (43 упоминания) и автоматизацию рутинных операций (29 упоминаний). Основным недостатком названо неудовлетворительное качество генерации, требующее проверки и доработки (51 упоминание).

Использование ИИ студентами отмечают 108 преподавателей (61%). Статистический анализ выявил значимую связь между использованием ИИ самим преподавателем и наблюдением им случаев использования ИИ студентами (χ² = 28,2; p < 0,001). В группе педагогов, использующих ИИ в своей практике, его применение студентами отметили 77,1% респондентов (81 человек). В группе преподавателей, не использующих нейросети, этот показатель статистически значимо ниже и составляет 37,5% (27 респондентов). Рассчитанное отношение шансов (OR = 5,6) показывает, что в данной выборке шансы отметить применение ИИ студентами у преподавателей-пользователей в 5,6 раза выше, чем у коллег, не имеющих такого опыта личного использования ИИ в преподавании.

Наиболее частый сценарий подобного применения – выполнение учебного задания искусственным интеллектом при минимальном участии студента (57 упоминаний). Реже встречаются ситуации, когда студенты формулируют задачу и контролируют процесс, а ИИ выполняет основную часть работы (40 упоминаний). Использование ИИ только для низкоуровневых операций, таких как проверка орфографии и пунктуации, отмечено в 27 случаях. В 19 случаях преподаватели отметили, что сами формулируют задания так, что они предполагают использование ИИ при их выполнении.

Нарушения правил использования ИИ, установленных преподавателем либо учебным заведением, отмечаются преимущественно эпизодически: 58 (53%) респондентов отмечают их «иногда», 31 (29%) – «редко», 7 (6%) – «никогда». Лишь 12 (11%) преподавателей сообщили, что нарушения происходят часто.

Сопоставление преподавателей, использующих ИИ и наблюдающих его применение студентами (n = 81), и преподавателей, не использующих ИИ, но также отмечающих такое применение (n = 27), демонстрирует различия в оценках допустимости использования ИИ и в гипотетических реакциях педагогов на нарушения в этой области. Среди пользователей 31 (38,28%) респондент отмечает высокие значения по шкале одобрения студенческого использования ИИ (7–10 баллов), тогда как среди неиспользующих таких ответов – 6 (22,22%); выраженное неодобрение (0–3 балла) чаще встречается у неиспользующих (40,74% против 30,86%). Нейтральные оценки (5 баллов) отметили 25 пользователей (30,86%) и 10 не-пользователей (37,04%) (рис. 2).

 

Рисунок 2 – Отношение к использованию ИИ студентами в двух сопоставляемых когортах

 

Различия проявляются и в реакциях на гипотетический сценарий, в рамках которого студент сдаёт полностью сгенерированную работу и не сообщает об этом при условии, что такой вариант сдачи работы противоречит правилам преподавателя и/или учебного заведения. Заявляют, что на их курсе такого не бывает – 3 человека в подгруппе неиспользующих ИИ (11,11%) и 5 человек в подгруппе пользователей (6,17%). Использующие ИИ преподаватели несколько чаще выбирают мягкие варианты реакций: 42 (51,85%) из них дали бы дополнительное устное или письменное задание, 14 (17,29%) не стали бы проверять работу и выставили бы минимальный проходной балл. Не приняло бы работу и потребовало бы дисциплинарных мер 18 человек (22,22%). Среди неиспользующих ИИ дополнительное задание также является наиболее частой мерой (11 человек, 40,74%), однако доля максимально строгого варианта – отказа в оценке работы и инициирования дисциплинарных разбирательств – в пропорциональном отношении заметно выше (8 человек, 29,63%). Примечательно, что принять и проверить работу без дополнительных условий в подгруппе использующих ИИ готовы 2 человека (2,47%), тогда как в подгруппе неиспользующих ИИ те же 2 человека составляют 7,41% (рис. 3).

 

Рисунок 3 – Гипотетическая реакция на сдачу студентом полностью сгенерированной работы в двух сопоставляемых когортах

 

Тем не менее, необходимо отметить, что различия в реакциях между группами не достигают статистической значимости. Расчет χ² проводился для подвыборки респондентов, признающих вероятность сценария сдачи полностью сгенерированного ИИ ответа в рамках своих занятий или курса (n = 100), то есть за вычетом тех 8 респондентов, кто, по собственным оценкам, в своей педагогической практике такого поведения не наблюдает. Ответы были агрегированы в две укрупнённые категории: «мягкие/педагогические» меры против «строгих». Анализ показал отсутствие статистически значимой связи (χ² = 0,883, p = 0,347). И «пользователи», и «непользователи» выбирают «мягкие» меры с сопоставимой частотой (76% и 67%, соответственно).

Аналогичная картина наблюдается и в отношении общего одобрения использования ИИ студентами (см. выше). Статистический анализ с применением U-критерия Манна–Уитни также не выявил значимых различий между группами (U = 903, p = 0,164, r_rb = −0,175).

Интерпретация результатов

Полученные результаты позволяют предположить, что в исследованной части преподавательского сообщества российской высшей школы освоение генеративного ИИ на текущем этапе носит преимущественно низовой и фрагментарный характер. В нашей выборке большинство преподавателей уже интегрировали ИИ в профессиональную деятельность (59,3%), однако это использование остаётся фрагментарным, неунифицированным и в большинстве случаев не опирается на формализованные локальные правила. Отсутствие статистически значимых различий в факте использования ИИ в профессиональной деятельности между столичными агломерациями и другими регионами не позволяет утверждать наличие выраженных региональных различий; вместе с тем данный результат можно осторожно интерпретировать как индикатор выравнивающего эффекта облачных сервисов: доступ к инструментам ИИ обеспечивается не через инфраструктуру вуза, а через индивидуальные каналы, что хорошо согласуется с представлением о «теневой адаптации» как о процессе, разворачивающемся вне формальных организационных рамок.

При этом статистически значимых различий в факте использования ИИ в преподавании в зависимости от стажа не выявлено (p = 0,417), что ставит под сомнение гипотезу о прямой линейной связи данного фактора с проявлениями цифрового консерватизма педагогического состава. Можно предположить, что теневая адаптация не ограничивается какой-либо одной профессиональной стратой.

Выявленная дисциплинарная асимметрия (OR = 3,22) требует осторожной интерпретации в контексте возможных альтернативных гипотез. Так, можно говорить о наличии эффекта самоотбора, при котором преподаватели-гуманитарии, возможно, обладают более выраженной предрасположенностью к апробации инструментов, работающих с естественным языком. Однако одним из возможных объяснений представляется также фактор функциональной релевантности: согласно нашим данным, 65,7% сценариев использования ИИ связаны с генерацией текстов и идей, что является ядром профессиональной деятельности в гуманитарной сфере. Кроме того, рутинные операции в гуманитарных дисциплинах, такие как создание тестов (56,2%), легче автоматизировать, в отличие от технических областей. Низкая доля использования аналитических функций (4,7%) косвенно указывает на ограниченную прагматическую ценность текущих моделей для технических дисциплин, что и фиксируется в статистическом разрыве между группами. Представляется, что это может стать сигналом к пересмотру традиционных подходов к повышению квалификации, которые зачастую ориентированы на «технократическую» модель обучения.

Полученные данные указывают и на значительную неоднородность уровня подготовки преподавателей: 47% участников нашего исследования сообщили, что не проходили никакого обучения работе с ИИ. При этом высокое значение отношения шансов (OR = 4,45) при сопоставлении факта обучения и использования ИИ находит теоретическое обоснование в рамках модели Единой теории принятия и использования технологий (ЕТПИТ/UTAUT) [23]. С одной стороны, согласно конструкту «облегчающих условий» (facilitating conditions), наличие ресурсов и подготовки повышает вероятность использования новых технологий [23, p. 454]. С другой стороны, конструкт «ожидаемой продуктивности» (performance expectancy) позволяет предположить, что педагоги, видящие перспективу в использовании новой технологии, сами стремятся к освоению таких инструментов [23, p. 467]. Выделение доминирующего вектора в этой взаимосвязи требует лонгитюдных исследований. Тем не менее, вне зависимости от направленности связи, данная ассоциация может рассматриваться как значимый маркер включённости преподавателей в процесс освоения ИИ-инструментов и самой важности программ повышения квалификации.

Эмпирические данные нашего исследования выявляют значимый разрыв между задачами технологического суверенитета и реальной практикой. Мы отмечаем доминирование зарубежных инструментов (DeepSeek, ChatGPT) при единичных упоминаниях отечественных аналогов (GigaChat). Примечательно, что среди зарубежных инструментов лидируют не западная, а китайская разработка (DeepSeek; отметим также активное упоминание Qwen, которая соперничает с западными платформами и заметно опережает российские). С учётом выраженного предпочтения бесплатных решений в нашей выборке (147 упоминаний бесплатного использования против 26 упоминаний платного) это может объясняться сочетанием безвозмездного доступа и отсутствия ограничений, характерных для ряда западных платформ.

Превалирование зарубежных решений над российскими в ответах респондентов указывает на то, что использование таких инструментов во многих случаях осуществляется вне институционального цифрового контура вуза, через личные аккаунты и, в ряде случаев, с обходом внешних ограничений доступа. В таком случае это создает риски для информационной безопасности, которые вузы пока не могут купировать предоставлением корпоративного доступа к конкурентоспособным отечественным решениям.

Особого внимания заслуживает условно обозначенный нами феномен «вариативного правосудия». Сталкиваясь со сценарием сдачи сгенерированной работы, преподаватели в нашей выборке демонстрируют разнообразие реакций. При этом преподаватели – пользователи ИИ несколько чаще прибегают к более мягким действиям (52% из них готовы дать дополнительное задание в то время, как из преподавателей, не использующих ИИ, таких 40%). Отсутствие статистически значимой связи (p = 0,347) между личным использованием ИИ и строгостью педагогической реакции не позволяет однозначно установить природу наблюдаемой вариативности. Несбалансированность сопоставляемых подгрупп ограничивает силу возможных выводов; вместе с тем данный результат согласуется с предположением о том, что неоднородность реакций не сводится к одному лишь фактору личного опыта использования технологии и может отражать, помимо прочего, недостаток институционально закреплённых норм. Личный опыт использования ИИ в таком случае сам по себе не гарантирует развитой методико-этической позиции: инструментальное освоение технологии (умение написать промпт) не обязательно автоматически конвертируется в методическую компетентность (умение оценить сгенерированный результат). Это может указывать на то, что даже педагоги, имеющие опыт работы с цифровыми инструментами, в условиях недостаточной институциональной определённости сталкиваются с методико-этической неопределённостью при оценке проявлений академической недобросовестности.

Необходимо отметить ограничения исследования, накладывающие отпечаток на интерпретацию результатов. В силу невероятностной выборки и использования метода «снежного кома» полученные данные характеризуют прежде всего наиболее активную, цифровую часть преподавательского сообщества, готовую участвовать в онлайн-опросах (эффект самоотбора). Кроме того, выявленный дисбаланс в пользу гуманитарных дисциплин (65%) не позволяет в полной мере экстраполировать выводы на технические специальности без дополнительной верификации. Также следует учитывать, что несбалансированность численности сопоставляемых подгрупп повышает вероятность возникновения статистической ошибки второго рода, вследствие чего некоторые реально существующие различия (в частности, в этических реакциях педагогов) могли не получить математического подтверждения. Тем не менее, выявленные данные обладают диагностической ценностью для понимания процессов, происходящих в авангарде цифровизации.

Рекомендации и дальнейшие направления исследования

Анализ приведённых выше исследований и полученных нами данных заставляет задуматься о необходимости повышения транспарентности, последовательности и этической обоснованности существующих педагогических практик в области применения ИИ в условиях вуза. Вопросы нивелирования технологического разрыва и установления общих правовых рамок относятся к ведению соответствующих профильных ведомств и администраций вузов и не являются предметом данной статьи. Однако адаптация к технологиям ИИ в образовании, имеющая, как показано выше, признаки низового феномена, создаёт вызовы, которые, по нашему мнению, также возможно частично смягчить в порядке низовой инициативы. В этой связи предлагается ряд практических мер.

Ключевым условием нам представляется осознание важности повышения квалификации и самообучения, а также обновление подходов к организации соответствующих программ и практик. Их целесообразно выстраивать с опорой на Единую теорию принятия и использования технологий (ЕТПИТ/UTAUT) [23]. В частности, центральное место в таких программах должна занимать демонстрация практических преимуществ ИИ: если судить по данным нашей выборки, речь прежде всего идёт об экономии времени, автоматизации рутинных задач, а также о повышении качества преподавания, например за счёт создания новых и более интересных сценариев ведения занятий. Поскольку, согласно ЕТПИТ, готовность к использованию новых технологий напрямую связана с восприятием их полезности, обучение следует строить вокруг решения практических задач в конкретной предметной области. В свою очередь, поскольку одним из факторов, сдерживающих освоение технологии, выступает представление о её сложности, важным элементом таких программ должна стать наглядная демонстрация того, что ИИ может сравнительно просто использоваться для решения повседневных профессиональных задач.

Представляется целесообразным проводить подобные программы очно и с привлечением более опытных коллег для обмена практическим опытом. Как показывает исследование A. Shata и K. Hartley, распространению ИИ в образовательном коллективе особенно способствует доверие преподавателей к опыту друг друга и их взаимная поддержка [24, p. 16].

Учитывая широкое использование иностранных инструментов ИИ, отдельным аспектом таких программ должен стать вопрос безопасного обращения с данными. Вместе с тем преподаватель уже на уровне собственного курса может очертить границы допустимого использования ИИ, не дожидаясь формальных решений со стороны администрации вуза. На первом этапе важна хотя бы последовательность в сформулированных требованиях. Среди возможных решений в исследовании T. Corbin et al. отмечается практика устных ответов или контролируемого преподавателем использования ИИ студентом при выполнении задания, а также переход к составлению заданий модульного типа, где последующие задачи основываются на результатах предыдущей работы [5, p. 1088–1095]. Обсуждение подобных подходов внутри кафедры может способствовать выработке рекомендаций ad hoc, что, с одной стороны, соответствует описанным выше низовым тенденциям интеграции, а с другой – может стать основой для более формального регулирования на уровне вуза. На следующем этапе представляется целесообразной выработка хотя бы минимально согласованных подходов к использованию ИИ студентами на уровне отдельной кафедры, образовательной программы или группы преподавателей. Речь может идти не о полноценном нормативном регулировании, а о фиксации базовых ориентиров: какие формы использования ИИ считаются допустимыми, в каких случаях студент должен сообщать о его применении, какие практики рассматриваются как нарушение, и какие педагогические реакции на подобные случаи являются соразмерными. Даже такая ограниченная координация способна снизить неоднородность требований и реакций, описанную выше, и тем самым уменьшить эффект «вариативного правосудия».

Распространение генеративного искусственного интеллекта создаёт для преподавателей новые профессиональные и этические вызовы. В данной статье нами была предпринята попытка описать особенности адаптации к этому феномену в российской высшей школе. Сформулированные рекомендации, как представляется, позволяют наметить пути придания этому процессу большей последовательности и структуры, в том числе за счёт низовой инициативы преподавателей.

Перспективы дальнейших исследований мы связываем с проверкой и уточнением полученных данных на более масштабных, стратифицированных выборках и в ходе проведения глубинных интервью, что позволит уточнить границы концепта «теневая адаптация» и отследить динамику его трансформации по мере развития нормативной базы вузов.

Благодарности

Авторы выражают благодарность Е.В. Усачёву (МФТИ), Е.Е. Флигинских (МарГУ) и В.В. Левченко (Самарский университет) за помощь в проведении исследования.

About the authors

Denis Dmitriyevich Yershov

Moscow Institute of Physics and Technology

Author for correspondence.
Email: yershovden@yandex.ru

researcher of the Istok Center for Applied Linguistic Research and Testing, senior lecturer of Foreign Languages Department

Russian Federation, Moscow

Aria Bierlaire-Hancotte

Moscow Institute of Physics and Technology

Email: aria.bierlaire@gmail.com

senior methodologist of Foreign Languages Department

Russian Federation, Moscow

References

Supplementary files