Статья: Вовлечение университетов в реализацию государственной демографической политики: анализ в контексте брачно-репродуктивных установок студентов (2026)

AI’s growth has changed many areas, including higher education and the way students write academically. Students’ views of AI help models, on the other hand, are complicated and varied, depending on how they are used. This study focused on how students view AI-assisted models in academic writing. There were 157 students in this exploratory quantitative study. Researchers used Principal Component Analysis to reduce the number of factors in the data and the Rasch model to see how much students agreed on the different sorts of AI assistance. The results of the quantitative analysis indicate that all factor loadings exceed 0.5, suggesting a strong relationship between the variables. The model demonstrates an acceptable to satisfactory fit, though some indices are marginal (χ2/df = 2.631; RMSEA = 0.090 [CI: 0.074–0.11]; GFI = 0.860; AGFI = 0.820; CFI = 0.970; NFI/IFI/NNFI = 0.960). Additionally, student perceptions are reported to fall within the logit range of –1.14 to +1.63, reflecting varying degrees of agreement regarding the role of AI in academic writing. The results show that there are two AI function models in academic writing: AI-assisted idea generation and AI-enhanced academic writing quality, which possess 15 components. AI helps students generate ideas, develop content, organize their writing, refine their thoughts, and conduct research, depending on the sources. AI also helps with language accuracy, discourse coherence, and cohesion in texts, and style clarity and enhancements. The findings of this study indicate that students should employ AI not only for the technical components of writing but also to augment introspective, analytical, and argumentative methodologies.

Развитие цифровых технологий в экономике и социальной сфере меняет требования к подготовке выпускников высшей школы и усиливает спрос на междисциплинарные цифровые компетенции. При этом локальные решения отдельных университетов не всегда позволяют согласовать содержание подготовки с практическими запросами профессиональной среды, что повышает значение межвузовских форм координации. В статье анализируются межвузовские механизмы формирования цифровых компетенций на материале STEM-ориентированной образовательной экосистемы в сфере цифровой медицины, реализуемой в рамках совместной программы «IT-медицина» Карагандинского технического университета имени Абылкаса Сагинова и Медицинского университета Караганды. Цель исследования – выявить институциональные механизмы межвузовского взаимодействия и определить их роль в согласовании образовательных программ с профессиональными требованиями.

Методологическую основу составляет экосистемный подход и институционально-аналитическая интерпретация данных экспертного опроса работодателей (n = 35) и преподавателей (n = 70); респонденты могли выбирать несколько вариантов ответов. Для систематизации факторов устойчивости межвузовской модели использован SWOT-анализ. Результаты показывают, что устойчивость формирования цифровых компетенций обеспечивается не только обновлением содержания программ, но и институционально закреплёнными механизмами координации: согласованием учебных решений и матрицы компетенций, распределением ролей между университетами и интеграцией работодателей в практико-ориентированные форматы подготовки. Полученные выводы могут быть использованы при проектировании межвузовских программ и развитии механизмов сетевой координации в системе высшего образования, включая адаптацию подобных моделей в российском контексте.

Искусственный интеллект становится неотъемлемым элементом инженерной профессии и системы подготовки инженеров в эпоху Индустрии 4.0. Цель данного исследования – выявить, как студенты инженерных специальностей воспринимают влияние ИИ на будущее профессии: содержание труда и её социальный статус, включая перспективы занятости и доходов. Теоретической основой служит неовеберианский подход в социологии профессий, рассматривающий профессиональные группы как статусные, чьё положение на рынке труда определяется монополией на специализированные знания и компетенции. Эмпирическую базу составили опрос студентов технических вузов Москвы и Самары (N = 610, МГТУ им. Н. Э. Баумана, Московский политех, Самарский университет им. Королёва, 2024 г.) и полуструктурированные экспертные интервью с практикующими инженерами и представителями образовательных организаций (N = 5). Результаты показывают, что студенты воспринимают ИИ преимущественно как инструмент, оптимизирующий труд инженера, а не вытесняющий его. Вместе с тем социальные последствия внедрения ИИ – прежде всего перспективы занятости и уровень оплаты труда – оцениваются значительно менее оптимистично. Более разнообразное использование ИИ в учебно-профессиональной деятельности ассоциировано с большим оптимизмом относительно профессиональных перспектив. Делается вывод о том, что системе высшего инженерного образования необходимо не только интегрировать ИИ-инструменты в учебный процесс, но и формировать у студентов обоснованное позитивное видение перспектив профессии в инженерно-технологической экономике.

Статья представляет результаты двухлетнего лонгитюдного исследования (2023–2025 гг.), проведённого на выборке 50 студентов 1–2-го курсов Московского государственного института международных отношений (17 студентов немецкого направления, 33 – английского). На основе триангуляции методов (стандартизированные тесты речевых умений по CEFR, анкеты цифровой компетентности, анализ портфолио студентов, полуструктурированные интервью с 10 преподавателями и 20 студентами, рефлексивные нарративы) авторы исследовали влияние целенаправленной интеграции инструментов искусственного интеллекта на развитие иноязычных речевых умений и цифровой компетентности. Все участники исследования достигли уровня не ниже B2 по результатам ЕГЭ (≥ 75 баллов), что отражает селективный характер учреждения. Результаты показывают значимое улучшение всех четырёх речевых навыков (говорение Cohen’s d = 0,97, письмо d = 0,70, чтение d = 0,54, аудирование d = 0,48, все p < 0,01). На основе качественного анализа выявлена трёхэтапная эволюция ценностного отношения к ИИ: от техноскептицизма через прагматизм к интегративному пониманию. Авторы разработали матрицу цифровой ИИ-компетентности, определяющую четыре компоненты (когнитивная, деятельностная, аффективная, аксиологическая) и три уровня развития (новичок, практик, специалист). Выявлено, что студенты с более высокой цифровой компетентностью проявляют значительное улучшение речевых умений (корреляция с говорением r = 0,42, p = 0,002). Четыре паттерна использования ИИ выявлены и классифицированы; 71% студентов используют ИИ ответственно. Авторы показывают, что ценностное отношение к ИИ – критическое предусловие для эффективного использования технологий в контексте подготовки специалистов международного профиля. Практическая значимость: матрица компетентности может служить инструментом оценивания, дизайна курсов и подготовки преподавателей в контексте Образования 4.0.

Цель настоящего исследования – эмпирически идентифицировать потенциал современных преподавателей, вовлечённых в инициативы поддержки университетского предпринимательства, как потенциальных двигателей развития соответствующей экосистемы через анализ их ключевых индивидуальных характеристик, профессионального опыта, педагогических практик, а также институционального контекста университетской среды. Для этого на основе анкетного опроса 338 сотрудников, представляющих более чем 70 российских университетов и вовлечённых в университетские практики поддержки предпринимательства, проведено сравнение «успешных» преподавателей (чьи студенты относительно регулярно становятся предпринимателями) и тех, для которых такие случаи не характерны вовсе или же носят единичный характер. Результаты показывают, что педагогическая эффективность в сфере предпринимательства определяется не традиционными академическими регалиями, а наличием опыта управления университетскими или коммерческими проектами (включая корпоративное предпринимательство), развитыми навыками проектной деятельности и наставничества. Успешные преподаватели чаще связаны с преподаванием в социально-гуманитарной сфере, активно используют групповую проектную работу, привлекают внешних экспертов и интегрируют цифровые инструменты и искусственный интеллект в сопровождение студенческих инициатив. Ключевым институциональным фактором выступает участие вуза в Платформе университетского технологического предпринимательства (ПУТП), обеспечивающее глубокую интеграцию предпринимательской экосистемы в образовательный процесс. Исследование показывает важность рассмотрения преподавателя как ключевого элемента предпринимательской экосистемы вуза и указывает на целесообразность разработки комплексного подхода как к отбору преподавателей, так и к поддержке их деятельности, а также к формированию институциональных условий для ускорения развития университетского предпринимательства в России.

Выбор образовательной и профессиональной траектории является важным этапом жизненного пути и связан с последующим профессиональным развитием и психологическим благополучием. Настоящее исследование направлено на анализ мотивационных оснований выбора юношами и девушками специальности обучения с учётом направлений подготовки высшего образования, связанных с естественнонаучными дисциплинами, математикой, инженерным технологиями (STEM-направления) и гуманитарными науками (non-STEM-направления). В работе используется интегративный подход, сочетающий методы сетевой психометрики и личностно-ориентированного анализа. На выборке студентов из 31 университета (N = 7196, 64% девушек; 38% респондентов – STEM-направлений) была реконструирована структура взаимосвязей между мотивами выбора специальности с помощью Ising-модели и выделены мотивационные профили на основе анализа латентных классов. Результаты показывают, что мотивация выбора специальности обучения представляет собой связанную систему, в которой могут быть выделены отдельные кластеры (социальные или прагматические мотивы) и связующие узлы (мотив личного желания). По итогам анализа латентных классов выявлено пять мотивационных профилей, распределение которых различается между STEM- и non-STEM-направлениями, а также между юношами и девушками. Полученные результаты подчёркивают значимость комплексного подхода к изучению мотивации выбора специальности обучения.