По мере того как ИИ становится неотъемлемой частью образования и будущего рынка труда, важно понимать, как студенты воспринимают и используют его. В этом исследовании рассматривается проблема отношения российских студентов вузов к ИИ и изучается связь между их установками и реальными навыками эффективного использования ИИ. Для оценки представлений студентов об ИИ использован специально разработанный опросник, охватывающий четыре аспекта: интерес к ИИ, субъективный опыт использования ИИ, восприятие ценности ИИ в будущем и риски, связанные с ИИ. Навыки использования ИИ измерялись с помощью практического задания - создания эффективного запроса для большой языковой модели в рамках решения аутентичной рабочей задачи. Результаты показали, что многим студентам было трудно составлять такие запросы. Те, кто считал себя более опытным в использовании ИИ, показали лишь немногим лучшие результаты (r = 0,20), как и студенты с более выраженным интересом к ИИ (r = 0,12). Однако в целом связь между установками и реальными навыками была слабой. Студенты, рассматривающие ИИ как риск, давали более низкую его оценку как ценности для будущего (r = -0,09), но это не влияло на их интерес к ИИ или ощущение собственного опыта. В конечном итоге, несмотря на высокий интерес студентов к ИИ, их умение эффективно использовать его остаётся ограниченным.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Образование
Интеграция искусственного интеллекта (ИИ) в образовательную, научную и профессиональную сферы происходит с нарастающей интенсивностью: ИИ-инструменты активно используются для поддержки студентов, преподавателей и исследователей в решении сложных задач. С момента появления генеративных моделей (таких как ChatGPT, Claude, Copilot и др.) наблюдается их стремительное распространение и рост популярности.
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Almatrafi O., Johri A., Lee H. A systematic review of AI literacy conceptualization, constructs, and implementation and assessment efforts (2019-2023) // Computers and Education Open. 2024. Article no. 100173. DOI: 10.1016/j.caeo.2024.100173 EDN: TDTSHK
2. Mills K., Ruiz P., Lee K.W., Coenraad M., Fusco J. et al. AI Literacy: A Framework to Understand, Evaluate, and Use Emerging Technology. Digital Promise, 2024. 10.51388/ 20.500.12265/218. DOI: 10.51388/20.500.12265/218
3. Sindermann C., Sha P., Zhou M., Wernicke J., Schmmitt H.S. et al. Assessing the Attitude Towards Artificial Intelligence: Introduction of a Short Measure in German, Chinese, and English Language // Künstliche Intelligenz. 2021. Vol. 35. P. 109-118. DOI: 10.1007/s13218-020-00689-0
4. Ibrahim F., Münscher J.C., Daseking M., Telle N.T. The technology acceptance model and adopter type analysis in the context of artificial intelligence // Frontiers in Artificial Intelligence. 2025. Vol. 7. Article no. 1496518. DOI: 10.3389/frai.2024.1496518 EDN: THZYBQ
5. Wang J., Fan W. The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis // Humanit Soc Sci Commun. 2025. No. 12. Article no. 621. DOI: 10.1057/s41599-025-04787-y EDN: TZQOXZ
6. Ali D., Fatemi Y., Boskabadi E., Nikfar M., Ugwuoke J., Ali H. ChatGPT in teaching and learning: a systematic review // Education Sciences. 2024. Vol. 14. No. 6. Article no. 643. DOI: 10.3390/educsci14060643 EDN: MDXAKM
7. Laupichler M.C., Aster A., Schirch J., Raupach T. Artificial intelligence literacy in higher and adult education: a scoping literature review // Computers and Education. 2022. Vol. 3. Article no. 100101. DOI: 10.1016/j.caeai.2022.100101 EDN: BKUTRW
8. Zhou X., Schofield L., Zhang J.J., Abuelmaatti A., Howell L. Building bridges in AI: Enhancing AI literacy for students and staff across disciplines // PGR Student Partners - Empowering doctoral students through partnership and co-creation in institutional equality, diversity and inclusion change projects. 2024. Vol. 20. URL: https://www.researchgate.net/publication/384291235_Building_bridges_in_AI_Enhancing_AI_literacy_for_students_and_staff_across_disciplines (дата обращения: 23.06.2025).
9. Lintner T. A systematic review of AI literacy scales // NPJ Science of Learning. 2024. Vol. 9. No. 1. Article no. 50. DOI: 10.1038/s41539-024-00264-4 EDN: IYLGSX
10. Mansoor H.M., Bawazir A., Alsabri M.A., Alharbi A., Okela A.H. Artificial intelligence literacy among university students - a comparative transnational survey // Frontiers in Communication. 2024. Vol. 9. Article no. 1478476. DOI: 10.3389/fcomm.2024.1478476 EDN: MTQUCM
11. Fernandes D., Villa S., Nicholls S., Haavisto O., Buschek D. et al. Performance and Metacognition Disconnect when Reasoning in Human-AI Interaction // arXiv preprint. 2024. Article no. 2409.16708. DOI: 10.48550/arXiv.2409.16708
12. Mousavi Baigi S.F., Sarbaz M., Ghaddaripouri K., Ghaddaripouri M., Mousavi A.S. et al. Attitudes, knowledge, and skills towards artificial intelligence among healthcare students: A systematic review // Health Science Reports. 2023. Vol. 6. No. 3. Article no. e1138. DOI: 10.1002/hsr2.1138 EDN: LKIMPZ
13. Klar M. Using ChatGPT is easy, using it effectively is tough? A mixed-methods study on K-12 students’ perceptions, interaction patterns, and support for learning with generative AI chatbots // Smart Learning Environments. 2025. Vol. 12. No. 1. P. 1-19. DOI: 10.1186/s40561-025-00385-2 EDN: FXBXHD
14. Mahmood K. Do people overestimate their information literacy skills? A systematic review of the Dunning-Kruger effect // Communications in Information Literacy. 2016. Vol. 10. No. 2. P. 3-24. DOI: 10.15760/comminfolit.2016.10.2.2
15. Giray L. Prompt engineering with ChatGPT: A guide for academic writers // Annals of Biomedical Engineering. 2023. Vol. 51. No. 6. P. 2692-2633. DOI: 10.1007/s10439-023-03272-4 EDN: TCTWHA
16. Yang M., Jiang Sh., Li B., Herman K. Analysing Nontraditional Students’ ChatGPT Interaction, Engagement, Self-Efficacy and Performance: A Mixed-Methods Approach // British Journal of Educational Technology. Vol. 56. No. 5. P. 1973-2000. DOI: 10.1111/bjet.13588 EDN: SVGCOE
17. Ekin S. Prompt engineering for ChatGPT: A quick guide to techniques, tips, and best practices // TechRxiv. 2023. DOI: 10.36227/techrxiv.22683919.v2
18. Nori H., King N., McKinney S.M., Carignan D., Horvitz E. Capabilities of GPT-4 on medical challenge problems // arXiv preprint. 2023. Article no. 2303.13375. DOI: 10.48550/arXiv.2303.13375
19. Lee D., Palmer E. Prompt engineering in higher education: a systematic review to help inform curricula // International Journal of Educational Technology in Higher Education. 2025. Vol. 22. No. 1. Article no. 7. DOI: 10.1186/s41239-025-00503-7 EDN: GEQQHD
20. Krupp S., Rinas R., Klieme E., Nagel M. Large language models in the classroom: Opportunities and challenges of ChatGPT for higher education // Zeitschrift für Erziehungswissenschaft. 2023. Vol. 26. No. 3. P. 573-594. DOI: 10.1007/s11618-023-01128-6
21. Federiakin D., Molerov D., Zlatkin-Troitschanskaia O., Maur A. Prompt engineering as a new 21st century skill // Frontiers in Education. 2024. Vol. 9. Article no. 1366434. DOI: 10.3389/feduc.2024.1366434 EDN: OGIEFS
22. Maharjan J., Garikipati A., Singh N.P., Cyrus L., Sharmma M. et al. OpenMedLM: Prompt engineering can out-perform fine-tuning in medical question-answering with open-source large language models // Scientific Reports. 2024. Vol. 14. No. 2. DOI: 10.1038/s41598-024-64827-6 EDN: KCFLPC
23. Hwang G.J., Chiu L.Y., Tseng J.C.R. A framework of prompt literacy for supporting AI learning: Conceptualization and application // Computers and Education: Artificial Intelligence. 2023. Vol. 4. Article no. 100160. DOI: 10.1016/j.caeai.2023.100160
24. Busch K., Rochlitzer A., Sola D., Leopold H. Just tell me: Prompt engineering in business process management // Enterprise, Business-Process and Information Systems Modeling. 2023. P. 3-11. DOI: 10.1007/978-3-031-34241-7_1
25. Brown T., Mann B., Ryder N., Subbiah M., Kaplan J. et al. Language models are few-shot learners // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 1877-1901. DOI: 10.48550/arXiv.2005.14165
26. Kojima T., Gu S.S., Reid M., Matsuo Yu., Iwasawa Yu. Large language models are zero-shot reasoners // Advances in Neural Information Processing Systems. 2022. Vol. 35. DOI: 10.48550/arXiv.2205.11916
27. Wang X., Wei J., Schuurmans D., Lee Q., Chi E. et al. Self-consistency improves chain of thought reasoning in language models // arXiv preprint. 2022. Article no. 2203.11171. DOI: 10.48550/arXiv.2203.11171
28. Walter S.Integrating LLMs in higher education: Implications for assessment and academic integrity // Journal of Learning Analytics and AI in Education. 2024. Vol. 5. No. 1. P. 45-61. DOI: 10.61669/001c.131915
29. Semnani S.H., Li X., Ye Q., Callison-Burch C. SelfCheckGPT: Zero-resource black-box hallucination detection for generative large language models // arXiv preprint. 2023. Article no. 2303.08896. DOI: 10.48550/arXiv.2303.08896
30. Gattupalli S., Maloy R.W., Edwards S.A. Prompt Literacy: A Pivotal Educational Skill in the Age of AI // College of Education Working Papers and Reports Series. 2023. DOI: 10.7275/3498-wx48
31. Carolus A., Koch M.J., Straka S., Latoschik M.E., Wienrich C. MAILS-Meta AI literacy scale: Development and testing of an AI literacy questionnaire based on well-founded competency models and psychological change- and meta-competencies // Computers in Human Behavior: Artificial Humans. 2023. Vol. 1. No. 2. Article no. 100014. DOI: 10.1016/j.chbah.2023.100014 EDN: BSJDIJ
32. Katsantonis A., Katsantonis I.G. University students’ attitudes toward artificial intelligence: an exploratory study of the cognitive, emotional, and behavioural dimensions of AI attitudes // Education Sciences. 2024. Vol. 14. No. 9. Article no. 988. DOI: 10.3390/educsci14090988 EDN: OXJPUE
33. Roberts-Tyler E.J., Roberts S., Watkins R., Gillespie D. Effects of implementation support on children’s reading outcomes following an online early reading programme: a cluster-randomised controlled trial // British Journal of Educational Technology. 2023. Vol. 54. No. 5. P. 1373-1396. DOI: 10.1111/bjet.13312 EDN: KQFOQI
34. Long D., Magerko B. What is AI literacy? Competencies and design considerations // Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. 2020. P. 1-16. DOI: 10.1145/3313831.3376727
35. Yang W. Artificial intelligence education for young children: why, what, and how in curriculum design and implementation // Computers and Education. 2022. Vol. 3. Article no. 100061. DOI: 10.1016/j.caeai.2022.100061 EDN: DRCSSP
36. Pedro F., Subosa M., Rivas A., Valverde P. Artificial intelligence in education: challenges and opportunities for sustainable development // UNESCO. 2019. 46 p. URL: https://unesdoc.unesco.org/ark:/48223/pf0000366994 (дата обращения: 23.06.2025).
37. Miao F., Holmes W., Huang R., Zhang H. AI and education: A guidance for policymakers. UNESCO Publishing, 2021. 45 p. DOI: 10.54675/PCSP7350
38. Casal-Otero L., Catala A., Fernández-Morante C. Taboada M., Cebreiro B. et al. AI literacy in K-12: a systematic literature review // International Journal of STEM Education. 2023. Vol. 10. Article no. 29. DOI: 10.1186/s40594-023-00418-7 EDN: BDESIU
39. Hwang Y., Lee J.H., Shin D. What is prompt literacy? An exploratory study of language learners’ development of new literacy skill using generative AI // arXiv preprint. Article no. 2311.05373. 2023. DOI: 10.48550/arXiv.2311.05373
40. Li X., Jiang M.Y., Jong M.S., Zhang X., Chai Ch. Understanding medical students’ perceptions of and behavioral intentions toward learning artificial intelligence // International Journal of Environmental Research and Public Health. 2022. Vol. 19. Article no. 8733. DOI: 10.3390/ijerph19148733 EDN: KQCYFJ
41. Morales-García W.C., Sairitupa-Sanchez L.Z., Morales-García S.B., Morales-García M. Adaptation and psychometric properties of a brief version of the general self-efficacy scale for use with artificial intelligence (GSE-6AI) among university students // Frontiers in Education. 2024. Vol. 9. Article no. 1293437. DOI: 10.3389/feduc.2024.1293437 EDN: OWCWFK
42. Wang Y.Y., Chuang Y.W. Artificial intelligence self-efficacy: scale development and validation // Education and Information Technologies. 2023. Vol. 28. P. 1-24. DOI: 10.1007/s10639-023-12001-y EDN: OFCMHU
43. Soto-Sanfiel M.T., Angulo-Brunet A., Lutz C. The scale of artificial intelligence literacy for all (SAIL4ALL): a tool for assessing knowledge on artificial intelligence in all adult populations and settings // OSF preprint. 2024. DOI: 10.31235/osf.io/bvyku
44. Ng D.T.K., Wu W., Leung J.K.L., Chiu T.K.F., Chu S.K.W. Design and validation of the AI literacy questionnaire: the affective, behavioural, cognitive and ethical approach // British Journal of Educational Technology. 2023. Vol. 54. P. 1-23. DOI: 10.1111/bjet.13411
45. Hwang H.S., Zhu L.C., Cui Q. Development and validation of a digital literacy scale in the AI era for college students // KSII Transactions on Internet and Information Systems. 2023. Vol. 17. No. 8. P. 2241-2258. DOI: 10.3837/tiis.2023.08.016 EDN: CMTNNI
46. Eccles J.S., Wigfield A. From expectancy-value theory to situated expectancy-value theory: a developmental, social cognitive, and sociocultural perspective on motivation // Contemporary Educational Psychology. 2020. Vol. 61. Article no. 101859. DOI: 10.1016/j.cedpsych.2020.101859 EDN: XPROYA
47. Zhai X., Chu X., Chai C.S., Jong M.S.Y., Istenic A. et al. A review of artificial intelligence in education from 2010 to 2020 // Complexity. 2021. Vol. 2021. DOI: 10.1155/2021/8812542 EDN: NDYRQW
48. Chan C.K.Y., Hu W. Students’ voices on generative AI: perceptions, benefits, and challenges in higher education // International Journal of Educational Technology in Higher Education. 2023. Vol. 20. No. 1. Article no. 43. DOI: 10.1186/s41239-023-00411-8 EDN: CZABJZ
49. Venkatesh V., Davis F.D. A theoretical extension of the technology acceptance model: Four longitudinal field studies // Management Science. 2000. Vol. 46. No. 2. P. 186-204. DOI: 10.1287/mnsc.46.2.186.11926 EDN: FNVBJN
50. Zhang B., Dafoe A. Artificial intelligence: American attitudes and trends. Oxford, UK: Centre for the Governance of AI; Future of Humanity Institute, University of Oxford; 2019. DOI: 10.2139/ssrn.3312874
51. de Ayala R.J. The Theory and Practice of Item Response Theory. 2nd ed. New York: The Guilford Press, 2022. Methodology in the Social Sciences. 643 p. URL: https://www.guilford.com/books/The-Theory-and-Practice-of-Item-Response-Theory/R-de-Ayala/9781462547753 (дата обращения: 23.06.2025).
52. Robitzsch A., Kiefer T., Wu M., Robitzsch A.C. TAM: Test Analysis Modules. R package, ver. 4.1-0. 2022. DOI: 10.32614/CRAN.package.TAM
53. Revelle W. Psych: Procedures for Psychological, Psychometric, and Personality Research. R package, ver. 2.3-6. 2023. DOI: 10.32614/CRAN.package.psych
54. Smith E.V., Conrad K.M., Chang K., Piazza J. An introduction to Rasch measurement for scale development and person assessment // Journal of Nursing Measurement. 2002. Vol. 10. No. 3. P. 189-206. DOI: 10.1891/jnum.10.3.189.52562
55. Reckase M.D. Unidimensional IRT models // Multidimensional Item Response Theory. New York: Springer, 2009. P. 17-30. DOI: 10.1007/978-0-387-89976-3
56. Dunning D., Heath C., Suls J.M. Flawed self-assessment: implications for health, education, and the workplace // Psychological Science in the Public Interest. 2004. Vol. 5. No. 3. P. 69-106. DOI: 10.1111/j.1529-1006.2004.00018.x
57. Brantmeier C., Vanderplank R., Strube M. What about me?: Individual self-assessment by skill and level of language instruction // System. 2012. Vol. 40. No. 1. P. 144-160. DOI: 10.1016/j.system.2012.01.003
58. Fošner A. University students’ attitudes and perceptions towards AI tools: implications for sustainable educational practices // Sustainability. 2024. Vol. 16. No. 19. Article no. 8668. DOI: 10.3390/su16198668
59. Ананин Д.П., Комаров Р.В., Реморенко И.М. “Когда честно - хорошо, для имитации - плохо”: стратегии использования генеративного искусственного интеллекта в российском вузе // Высшее образование в России. 2025. Т. 34. № 2. С. 31-50. DOI: 10.31992/0869-3617-2025-34-2-31-50 EDN: OBDXTG
60. Wu W., Zhang B., Li S., Liu H. Exploring factors of the willingness to accept AI-assisted learning environments: An empirical investigation based on the UTAUT model and perceived risk theory // Frontiers in Psychology. 2022. Vol. 13. Article no. 870777. DOI: 10.3389/fpsyg.2022.870777 EDN: KQUBAT
61. Буякова К.И., Дмитриев Я.А., Иванова А.С., Фещенко А.В., Яковлева К.И. Отношение студентов и преподавателей к использованию инструментов с генеративным искусственным интеллектом в вузе // Образование и наука. 2024. Т. 26. № 7. С. 160-193. 10.17853/ 1994-5639-2024-7-160-193. DOI: 10.17853/1994-5639-2024-7-160-193 EDN: BSEUWY
62. Начало конца или новой эпохи? Эффекты генеративного искусственного интеллекта в высшем образовании / Я.И. Кузьминов (научая редакция), М.А. Кирюшина, А.П. Ворочков, Е.В. Кручинская, Е.А. Терентьев, И.Д. Фрумин; Национальный исследовательский университет “Высшая школа экономики”, Институт образования. М.: НИУ ВШЭ, 2024. 64 с. 100 экз. Современная аналитика образования. № 8 (82). URL: https://ioe.hse.ru/pubs/share/direct/991726366.pdf (дата обращения: 23.06.2025).
Выпуск
Другие статьи выпуска
В статье рассматривается проблема недостаточной репрезентативности существующих рейтингов вузов в части оценки их вклада в подготовку управленческих кадров. Целью исследования является повышение прозрачности выстраивания рейтинга вузов за счёт использования классификатора управленческих должностей. Методология исследования основывается на использовании классификатора уровня управленческих должностей, который устанавливает соответствие должностей между различными областями управления. Для работы с большими наборами данных была предложена его автоматизация, опирающаяся на извлечение данных о деятельности организации по её названию из открытых источников в сети Интернет. Для достижения цели исследования были собраны данные о карьерных путях выпускников 15 вузов, которые входят в рейтинг RAEX по направлению «Менеджмент», определены уровни управленческих должностей на их карьерном пути. В ходе анализа были рассчитаны показатели динамики управленческой карьеры, включая уровни должностей и время их достижения. Результаты позволили подтвердить гипотезу о том, что выпускники различных вузов различных лет имеют различные показатели динамики управленческой карьеры с точки зрения рассматриваемого классификатора управленческих должностей, также выделены три группы вузов, выпускники которых различаются в плане управленческих траекторий: группа «лидеров управленческой карьеры», группа «сильных вузов для управленческой карьеры» и группа «остальных непрофильных для управленческой карьеры вузов». Полученные результаты рассчитаны на применение при исследовании возможностей определения карьерной составляющей рейтинга вузов.
Потребность в развитии эмоционального интеллекта обусловлена повышением требований общества к качеству подготовки будущих педагогов, спецификой профессионально-педагогического общения и взаимодействия. Проблематика исследования связана с тем, что несмотря на большое количество научных работ, посвящённых эмоциональному интеллекту, развитие его у педагогов остаётся малоизученным и требует дальнейших исследований. Целью статьи является разработка стратегии развития эмоционального интеллекта у обучающихся педагогических вузов. В методологическом плане исследование опирается на субъектно-деятельностный и системный подходы; представление о единстве познавательной и аффективной сфер личности; отечественные и зарубежные теории и концепции, которые освещают разнообразные подходы к пониманию сущности эмоционального интеллекта, структуры и возможностей его измерения и развития. Для достижения цели были выбраны следующие методы исследования: теоретические (теоретико-методологический анализ, синтез, обобщение теоретических подходов к раскрытию сущности эмоционального интеллекта будущего педагога, сравнение психолого-педагогических исследований, реального состояния исследуемой проблемы с целью установления уровня её теоретического и практического решения); эмпирические (диагностика, педагогический эксперимент для подтверждения эффективности предложенной стратегии развития эмоционального интеллекта будущих педагогов). Эмпирическая база исследования составила 140 студентов институтов ФГАОУ ВО «КФУ им. В. И. Вернадского», уровня подготовки бакалавриат. В статье представлена стратегия развития эмоционального интеллекта будущих педагогов включающая мотивационно-ценностный, когнитивный и деятельностно-рефлексивный этапы и предполагающая создание эмоциональной окрашенной образовательной среды, обогащение дисциплин психолого-педагогического цикла темами, связанными с изучением эмоционального интеллекта. Разработана и экспериментально апробирована факультативная дисциплина «Практикум по развитию эмоционального интеллекта». Разработанная стратегия может быть реализована для совершенствования практики подготовки будущих педагогов с целью развития у них эмоционального интеллекта.
В условиях нарастающей цифровизации образовательной среды номофобия (страх остаться без доступа к мобильному устройству) приобретает всё бóльшую актуальность как психологическая проблема студенческой молодёжи. Целью настоящего исследования являлось изучение взаимосвязей номофобии с прокрастинацией, академической мотивацией, личностными чертами, синдромом упущенных возможностей (FOMO) и склонностью к думскроллингу, а также адаптация русскоязычной версии опросника номофобии (Nomophobia Questionnaire, NMP-Q). В исследовании принял участие 621 российский студент (49% юношей и 51% девушек) в возрасте от 16 до 29 лет (M = 20,3; SD = 1,47). В ходе онлайн-опроса использовались следующие методики: опросник номофобии (NMP-Q), шкала думскроллинга, опросник FOMO, краткий пятифакторный опросник личности (TIPI), шкала студенческой прокрастинации и шкалы академической мотивации. Психометрический анализ показал, что русскоязычная версия NMP-Q сохраняет четырёхфакторную структуру оригинала (дискомфорт из-за отсутствия информации, страх остаться без связи с другими, страх остаться без связи с близкими, страх пропустить новости), обладает высокой внутренней согласованностью (α Кронбаха и ω Макдональда > 0,76) и хорошей конвергентной валидностью. Были выявлены значимые положительные корреляции номофобии со склонностью к думскроллингу, FOMO, прокрастинацией, а также с внешней и амотивацией в учебной деятельности. Номофобия ассоциировалась с повышенным нейротизмом, сниженными добросовестностью и открытостью опыту. Особого внимания заслуживает установленная связь между номофобией и академической мотивацией: тревога из-за потери связи усиливает время использования гаджетов, но сопровождается снижением познавательной мотивации и усилением внешних форм мотивации. Полученные результаты позволяют рассматривать номофобию как маркер более широкой дезорганизации саморегуляции, мотивационных процессов и эмоциональной стабильности студентов в условиях цифровой зависимости.
Статья посвящена анализу практики студенческой оценки преподавания (СОП) в российских университетах - одного из ключевых инструментов обратной связи в системе высшего образования. Авторы исследовали документы 694 университетов, выявляя наличие СОП, её цели и особенности реализации. Результаты показали, что только в 13% университетов СОП действительно применяется для оценки конкретных преподавателей. При этом в большинстве случаев она используется в результирующих целях - для принятия кадровых решений (36 вузов), тогда как формирующие цели - улучшение преподавательской практики - преследуются лишь в 16 вузах. В 35 случаях цели СОП определить не удалось. Статья также описывает типологию анкет СОП и устанавливает связь между их структурой и декларируемыми целями. Авторы приходят к выводу, что в России СОП носит формальный характер и редко используется как полноценный инструмент управления качеством образования. Причинами этого могут быть институциональный изоморфизм, акцент на внешний контроль и недостаток внимания к студенческой обратной связи как ресурсу развития. Работа поднимает вопрос о необходимости переосмысления роли СОП в управлении российскими университетами.
В условиях стремительной цифровизации высшего образования и широкого внедрения технологий искусственного интеллекта (ИИ) актуализируется проблема трансформации субъектной позиции студентов. Актуальность исследования обусловлена необходимостью осмысления не только технических, но и социально-гуманитарных последствий использования ИИ, в частности его влияния на личностное и профессиональное становление обучающихся. Цель работы - выявить и проанализировать вызовы, связанные с внедрением ИИ в образовательную среду вузов, с позиций субъектно-ориентированного подхода, а также определить направления развития субъектности студентов в условиях ИИ-медиированной образовательной среды. Научная новизна заключается в анализе влияния технологий ИИ на трансформацию субъектной позиции студентов в условиях цифровизации высшего образования, с акцентом на изменение их роли от пассивных потребителей знаний к активным соавторам образовательного процесса, выявлении концептуальных положений для переосмысления субъектной позиции в условиях ИИ-медиированной образовательной среды, которые могут быть использованы как методологическая основа субъектно-ориентированного похода в образовательной деятельности студентов для дальнейших эмпирических исследований и проектирования образовательных программ. Методологическая база исследования включает интеграцию субъектно-ориентированного и системно-деятельностного подходов. В исследовании использованы методы анкетирования (188 курсантов вузов ФСИН России) и контент-анализа, что позволило оценить уровень субъектности и восприятие ИИ среди обучающихся. Основные результаты показали, что ИИ оказывает амбивалентное влияние: способствует развитию критического мышления и самостоятельности при осознанном использовании, но может снижать ответственность и рефлексивность при чрезмерной зависимости от алгоритмов. Выявлены корреляции между активностью студентов, их критическим мышлением и ответственностью за использование ИИ. Выводы подчёркивают необходимость педагогического сопровождения, направленного на баланс между технологическими инновациями и сохранением субъектности студентов. Важным условием является развитие цифровой культуры и поддержание живого диалога в образовательном процессе. Работа вносит вклад в дискуссию о роли ИИ в образовании, предлагая пути его интеграции без ущерба для личностного развития обучающихся.
Статья исследует интеграцию прикладного искусственного интеллекта (ИИ) в магистерские программы непрофильных (не технических) направлений, акцентируя внимание на вызовах, трендах и перспективах этого процесса. Актуальность темы обусловлена глобальной профессионализацией ИИ, формированием новых специальностей (AI-тренер, промпт-инженер) и трансформацией рынка труда под влиянием цифровых технологий. Авторы подчёркивают роль магистратуры как ключевого звена в подготовке кадров, способных применять ИИ-инструменты в нетехнических сферах - от медицины до гуманитарных наук. Методология исследования включает контент-анализ вакансий (на платформе hh. ru), выявивший фрагментарный, но разноотраслевой спрос на ИИ-навыки: 24% вакансий сосредоточены в креативных индустриях (маркетинг, дизайн), 20% - в IT, тогда как в медицине и образовании их доля не превышает 3-5%. Формулировки требований в не-IT-сферах остаются размытыми, что указывает на дефицит стандартизации. Обзор 78 российских магистерских программ демонстрирует доминирование профильных направлений, связанных с прикладным ИИ (80% программ), однако отмечается рост междисциплинарных инициатив, таких как ИИ в политологии, философии и медиакоммуникациях (9 социогуманитарных программ). Ключевые вызовы включают техникоцентричность образования (программы преимущественно реализуются в рамках IT-направлений), «имитационное» внедрение, институциональные барьеры доступности. Перспективы связаны с развитием междисциплинарности, усилением роли индустриальных партнёров («Яндекс», «Сбер») и развития у обучающихся «гибридных» навыков. Авторы делают вывод о двойной асинхронности между рынком труда и университетами в вопросах, касающихся навыков прикладного ИИ. Статья вносит вклад в дискуссию о цифровой трансформации образования.
Издательство
- Издательство
- МОСКОВСКИЙ ПОЛИТЕХ
- Регион
- Россия, Москва
- Почтовый адрес
- 107023, г Москва, р-н Соколиная Гора, ул Большая Семёновская, д 38
- Юр. адрес
- 107023, г Москва, р-н Соколиная Гора, ул Большая Семёновская, д 38
- ФИО
- Миклушевский Владимир Владимирович (РЕКТОР)