Сетевое научное издание

Современные проблемы науки и образования

ISSN 2070-7428

"Перечень" ВАК

ИФ РИНЦ = 0,936

Введение

Развитие генеративного искусственного интеллекта (ИИ) меняет содержание учебно-методической, оценочной, научной и организационной деятельности педагогических работников образовательных организаций высшего образования и профессорско-преподавательского состава (далее – ППС). Для университета эта трансформация является не только технологическим, но и педагогическим вызовом: необходимо определить, какие действия могут быть поддержаны ИИ-инструментами, какие должны оставаться в зоне профессиональной ответственности преподавателя, а какие требуют специальных правил, методических ориентиров и программ профессионального развития.

Актуальность исследования определяется противоречием между быстрым распространением ИИ-инструментов в профессионально-педагогической деятельности и недостаточным эмпирическим обоснованием реальных практик, барьеров и дефицитов ППС. Без такой диагностики университетская политика использования ИИ рискует опираться на предположения о поведении преподавателей, а не на данные о фактических сценариях применения, зонах неделегирования и образовательных потребностях.

В нормативной плоскости исследование соотнесено с Федеральным законом «Об образовании в Российской Федерации» [1] и Национальной стратегией развития искусственного интеллекта [2]. В статье используются термины «профессорско-преподавательский состав», «педагогические работники образовательных организаций высшего образования» и «профессионально-педагогическая деятельность ППС»; словосочетание «преподаватели высшей школы» не применяется как основное, поскольку в действующих нормативных документах преимущественно используются иные терминологические конструкции.

Терминологические основания исследования

В целях воспроизводимости исследования были заданы операциональные определения ключевых понятий. ИИ в статье понимается как совокупность цифровых технологий и сервисов, обеспечивающих автоматизированную обработку, генерацию, анализ, структурирование или интерпретацию информации на основе пользовательского запроса и алгоритмической модели. Генеративный ИИ рассматривается как класс ИИ-инструментов, способных создавать новый текстовый, визуальный, табличный, программный или мультимодальный контент на основе промпта пользователя.

ИИ-компетентность ППС определяется как интегративная характеристика готовности и способности педагогического работника осознанно выбирать, применять, критически оценивать и методически корректно встраивать ИИ-инструменты в учебную, методическую, научную и организационную деятельность при соблюдении требований академической честности, защиты персональных данных, авторства и профессиональной ответственности.

Педагогическая интеграция ИИ понимается не как автоматическая передача ИИ функций преподавателя, а как включение ИИ-инструментов в проектирование учебных материалов, заданий, критериев оценивания, обратной связи, самостоятельной работы и образовательных сценариев при обязательной экспертной проверке, редактировании и принятии итогового педагогического решения преподавателем.

Цель исследования

Цель исследования – выявить и типологизировать практики использования искусственного интеллекта профессорско-преподавательским составом образовательной организации высшего образования, определить основные барьеры и дефициты, влияющие на готовность преподавателей к педагогически обоснованному применению ИИ.

Для достижения цели решались следующие задачи: анализ современных отечественных и зарубежных исследований, раскрывающих состояние проблемы использования ИИ в профессионально-педагогической деятельности ППС; разработка диагностического инструментария для эмпирического изучения практик, барьеров и дефицитов использования ИИ; характеристика социально-профессионального профиля респондентов; определение распространенности, интенсивности и основных сценариев применения ИИ ППС; построение воспроизводимой типологии практик использования ИИ; выявление барьеров, зон неделегирования ИИ и образовательных потребностей профессорско-преподавательского состава.

Гипотеза исследования состояла в предположении, что использование ИИ ППС неоднородно и может быть представлено через несколько эмпирических профилей, различающихся частотой применения ИИ, широтой профессионально-педагогических задач, уровнем педагогической интеграции, выраженностью барьеров и самооценкой ИИ-компетентности.

Обзор современных исследований

Анализ публикаций 2019–2026 гг. показывает переход от общего обсуждения возможностей нейросетевых сервисов к вопросам дидактического проектирования, академической честности, институциональной регуляции и развития ИИ-компетентности ППС. В российской литературе представлены значимые отраслевые и концептуальные работы. А.П. Анисимов рассматривает высшее юридическое образование, включая разговорные ассистенты, цифровые аватары и консультационные сценарии [3]. В.Н. Базылев анализирует нейросети и генеративный ИИ в высшем образовании через призму философии образования, фиксируя одновременно потенциал расширения образовательных возможностей и риски упрощения когнитивной деятельности [4]. М.В. Якутина показывает влияние ИИ на научный поиск в педагогических исследованиях, включая новые возможности информационного поиска, но также необходимость критической оценки источников и результатов [5]. Указанные публикации используются в настоящей статье как обзорно-теоретический контекст, а не как доказательство авторской типологии.

Международные документы и исследования дополняют российский контекст. Рамка UNESCO AI Competency Framework for Teachers выделяет необходимость формирования у педагогов человекоцентричного подхода, понимания этики ИИ, базовых представлений об ИИ, педагогического применения ИИ и использования ИИ для профессионального развития [6]. В работах по искусственному интеллекту в высшем образовании подчеркивается, что институциональная политика должна охватывать не только доступ к инструментам, но и вопросы педагогического проектирования, оценки, прозрачности использования, конфиденциальности и ответственности [7; 8]. Систематические обзоры показывают, что исследования ИИ в высшем образовании долгое время уделяли больше внимания технологиям и студентам, чем деятельности преподавателей и их профессиональным дефицитам [9; 10].

Исследования ChatGPT и больших языковых моделей в образовании фиксируют двойственный характер их внедрения: с одной стороны, они поддерживают генерацию учебных материалов, объяснений, обратной связи и исследовательских идей, с другой – создают риски недостоверности, академической недобросовестности и некритичного использования результатов [11; 12]. Работы по AI literacy раскрывают структуру компетенций, связанных с пониманием ИИ, критической оценкой результата, этикой, данными и проектированием образовательных действий [13–15]. Однако в имеющейся литературе недостаточно представлены исследования, которые одновременно связывают реальные практики ППС, зоны неделегирования ИИ, барьеры, самооценку компетентности, открытые профессиональные суждения и воспроизводимую эмпирическую типологию профилей использования ИИ. Указанный дефицит и определил логику настоящего исследования.

Материал и методы исследования

Объект исследования – профессионально-педагогическая деятельность профессорско-преподавательского состава образовательных организаций высшего образования в условиях цифровизации образования. Предмет исследования – практики, барьеры и профили готовности ППС к использованию ИИ в профессионально-педагогической деятельности.

Исследование проведено в мае 2026 г. на базе ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации». Анкета распространялась через внутренние информационные каналы университета среди ППС головной организации и филиалов, реализующих программы высшего образования. Участие было добровольным и анонимным; индивидуальная оценка ответов не проводилась. В исследовании приняли участие 588 представителей ППС: головная организация – 383 чел. (65,1%), филиалы – 205 чел. (34,9%); представлены 16 филиалов. При ориентировочной численности генеральной совокупности около 2000 представителей ППС охват составил примерно 29,4%, то есть почти треть целевой профессиональной группы. Доля ответивших рассчитывалась как отношение числа валидных анкет к ориентировочной численности ППС, которым адресовалась рассылка.

Диагностический инструментарий включал блоки социально-профессионального профиля, опыта цифрового и ИИ-обучения, общей частоты использования ИИ, задач применения ИИ, зон неделегирования, барьеров, самооценки ИИ-компетентности, сценарных педагогических вопросов, образовательных потребностей и трех открытых вопросов. Шкала задач применения ИИ включала 20 позиций с оценкой от 0 («не использую») до 5 («использую системно»). Шкала барьеров включала 16 позиций с оценкой от 1 («совсем не затрудняет») до 5 («существенно затрудняет»). Шкала умений включала 15 позиций с оценкой от 1 («не владею») до 5 («могу обучать других»). Полный состав шкальных блоков приведен в табл.1; полный опросник может быть предоставлен по запросу к корреспондирующему автору.

Таблица1

Полный состав шкальных блоков диагностического инструментария

Примечание: составлена авторами.

Для количественного анализа использовались частотные распределения, средние значения, доверительные интервалы для долей, коэффициент α Кронбаха, таблицы сопряженности, критерий χ² Пирсона и V Крамера. Доверительные интервалы 95% для долей рассчитывались по методу Уилсона. При проверке нескольких χ²-гипотез применялась поправка Бонферрони: при шести проверках критический уровень значимости составил αкр=0,05/6=0,008. Поэтому результаты с p < 0,008 интерпретировались как статистически значимые после корректировки, а результаты с 0,008≤p < 0,05 – как предварительные или тенденциальные.

Для построения индексов применялись следующие правила. Индекс частоты использования ИИ (Iч) рассчитывался как среднее значение по 20 задачам применения ИИ. Индекс педагогической интеграции (Iпед) рассчитывался как среднее значение по задачам, непосредственно связанным с проектированием учебных материалов, заданий, кейсов, тестов, критериев оценивания, обратной связи, самостоятельной работы и анализа ошибок студентов. Индекс барьеров (Iб) рассчитывался как среднее значение по 16 барьерам. Индекс самооценки ИИ-компетентности (Iкомп) рассчитывался как среднее значение по 15 умениям.

Для воспроизводимого выделения профилей использовался показатель Kпед – число педагогически ориентированных задач, по которым респондент указал частоту использования не ниже 3 баллов («использую иногда», «использую регулярно», «использую системно»). В Kпед входили задачи подготовки практических заданий, кейсов, тестов, вопросов для дискуссии, адаптации материала, заданий для самостоятельной работы, критериев оценивания, обратной связи, анализа ошибок и объяснения сложных понятий. Пороги типологии были заданы до интерпретации профилей и обоснованы как доли от 10 педагогически ориентированных задач: Kпед≤4 – охват не более 40% задач, что соответствует преимущественно инструментальному применению; 5≤Kпед≤7 – охват 50–70% задач, что соответствует устойчивой педагогической интеграции; Kпед≥8 – охват не менее 80% задач, что соответствует роли методического лидера.

Результаты исследования и их обсуждение

Социально-профессиональный профиль выборки представлен в табл.2. В выборке преобладают представители ППС с ученой степенью: кандидаты наук составили 65,6%, доктора наук – 13,1%. Это повышает содержательную ценность данных, поскольку исследование отражает позиции профессионального ядра преподавательского сообщества. Вместе с тем присутствуют разные должностные и стажевые группы, что позволяет анализировать неоднородность практик применения ИИ.

Таблица2

Социально-профессиональный профиль респондентов (N=588)

Примечание: составлена авторами.

Опыт использования ИИ имеют 529 респондентов, или 90,0% выборки (95% ДИ: 87,3–92,1). Текущими пользователями, применяющими ИИ хотя бы редко, являются 505 чел., или 85,9% (95% ДИ: 82,8–88,5). Однако активными пользователями корректно считать только тех, кто указал регулярное или периодическое применение ИИ: таких респондентов 392, или 66,7% (95% ДИ: 62,8–70,4). Респонденты, выбравшие вариант «использую редко», не были отнесены к активным пользователям, а рассматривались как эпизодические пользователи, поскольку их ответы свидетельствуют о наличии опыта, но не о сформированной устойчивой практике.

Пятикомпонентная типология представлена в табл.3 и на рис.1. Ее ценность состоит в том, что профиль присваивался не экспертно и не интуитивно, а по заданному алгоритму: сначала учитывалась общая частота использования ИИ, затем для активных пользователей рассчитывался Kпед – число педагогически ориентированных задач, в которых ИИ используется иногда и чаще.

Таблица3

Эмпирическая типология практик использования искусственного интеллекта ППС

Примечание: составлен авторами по результатам данного исследования.

Рис.1. Распределение профессорско-преподавательского состава по эмпирическим профилям использования искусственного интеллекта.

Примечание: составлен авторами по результатам данного исследования

Наиболее распространенные задачи применения ИИ связаны с учебно-методическим конструированием. Как видно на рис.2, лидируют подготовка практических заданий, разработка тестовых заданий и кейсов. Важно, что эти практики относятся не только к личной продуктивности, но и к проектированию образовательных средств. При этом высокий уровень «пробовали хотя бы раз» не всегда означает системность: поэтому в анализе отдельно выделялись использование «хотя бы раз» и использование «иногда и чаще».

Рис.2. Наиболее распространенные задачи применения искусственного интеллекта. Примечание: составлен авторами по результатам данного исследования

Зоны неделегирования ИИ подтверждают сохранение за преподавателем ключевых профессионально-этических функций. Наиболее часто респонденты не готовы делегировать ИИ выставление оценок студентам (70,7%), проверку экзаменационных работ (62,4%), проверку выпускных квалификационных работ (61,6%), коммуникацию со студентами от имени преподавателя (60,7%) и работу с персональными данными студентов (60,7%). Эти данные не обосновывают автоматическое оценивание студентов средствами ИИ и не снимают с преподавателя ответственности за проверку результата, авторство, персональные данные и академическую честность.

Барьеры имеют преимущественно этико-правовой, оценочный и организационно-методический характер (рис.3). Наиболее значимы риск академической недобросовестности студентов, неясность этических границ, риски нарушения персональных данных и авторских прав. Это показывает, что потребность ППС выходит за рамки обучения промптингу: необходимы локальные правила, методические рекомендации, сценарии допустимого применения ИИ и критерии оценивания учебных работ в условиях доступности генеративных инструментов.

Рис.3. Наиболее значимые барьеры использования искусственного интеллекта в профессионально-педагогической деятельности.

Примечание: составлен авторами по результатам данного исследования

Сравнение укрупненных групп представлено в табл.4 и на рис.4. Активные пользователи имеют более высокие значения Iч, Iпед и Iкомп при более низком индексе барьеров. Это подтверждает, что интенсивность использования ИИ связана не только с частотой обращения к инструментам, но и с субъективным ощущением компетентности и меньшей выраженностью затруднений. В то же время эти данные имеют корреляционный характер и не позволяют делать вывод о причинном влиянии обучения или опыта использования ИИ.

Таблица4

Средние значения индексов по аналитическим группам

Рис.4. Сравнение индексов частоты, компетентности и барьеров по аналитическим группам.

Примечание: составлен авторами по результатам данного исследования

Внутренняя согласованность шкал проверялась с использованием коэффициента α Кронбаха. Получены высокие значения: шкала частоты использования ИИ по задачам – α=0,951; шкала барьеров – α=0,907; шкала самооценки ИИ-компетентности – α=0,967; шкала установок к ИИ – α=0,868. Формула расчета применялась в стандартном виде: α=k/(k−1) × (1 − Σσ²i/σ²t), где k – число пунктов шкалы, σ²i – дисперсия отдельного пункта, σ²t – дисперсия суммарного балла шкалы.

Анализ сопряженности показал статистически значимую связь аналитической группы пользователей ИИ с прохождением обучения по ИИ (χ²=79,95; p < 0,001; V Крамера=0,261) и опытом регулярного применения дистанционных или смешанных образовательных технологий (χ²=49,22; p < 0,001; V=0,205). Эти связи сохраняются после поправки Бонферрони (αкр=0,008). Связь со стажем педагогической работы до поправки была статистически значимой (χ²=25,34; p=0,013; V=0,147), однако после корректировки уровня значимости рассматривается как слабая тенденция, требующая дополнительной проверки. Связь с должностью, ученой степенью и типом учебно-педагогических задач статистически значимой не выявлена. Следовательно, активность применения ИИ статистически связана прежде всего с опытом цифрового обучения и специальной подготовкой, а не доказывает причинный эффект обучения.

Контент-анализ трех открытых вопросов позволил уточнить количественные результаты. Вопрос об удачном опыте был содержательно проанализирован по 340 ответам; вопрос об опасениях и затруднениях – по 347 ответам; вопрос о необходимых умениях преподавателя – по 319 ответам. Использовалось мультикодовое тематическое кодирование: один ответ мог относиться к нескольким смысловым категориям. Наиболее значимые категории представлены в табл.5.

Таблица5

Результаты контент-анализа открытых ответов

Примечание: составлена автором на основе полученных данных в ходе исследования

Открытые ответы показывают, что ППС воспринимает ИИ как полезный инструмент учебно-методического конструирования, но одновременно фиксирует риски подмены самостоятельной работы студентов, трудности определения авторского вклада и необходимость педагогической верификации результата. Следовательно, развитие ИИ-компетентности ППС не может быть сведено к владению интерфейсом или промптингом: оно должно включать критическую проверку результата, проектирование ИИ-устойчивых заданий, объяснение студентам правил допустимого применения ИИ, защиту персональных данных и корректное оформление вклада человека и ИИ.

Респонденты также указали, какие меры поддержки необходимы университету. На рис.5 представлены наиболее востребованные направления: официальные правила использования ИИ, методические рекомендации, обучение ППС, правила для студентов, доступ к надежным инструментам и рекомендации по оцениванию. Эти выводы следует рассматривать как предварительные рекомендации по проектированию локальных мер, а не как доказательство эффективности указанных мер.

Рис.5. Наиболее востребованные меры поддержки использования искусственного интеллекта в университете.

Примечание: составлен авторами по результатам данного исследования

Ограничения исследования. Ограничения исследования связаны с тем, что выборка относится к одному университету, хотя и включает головную организацию и широкую филиальную сеть. Данные основаны на самоотчете респондентов, что не исключает эффекта социальной желательности и субъективной переоценки или недооценки собственных умений. В исследовании не проводилось объективное тестирование ИИ-компетентности, экспертная оценка продуктов педагогической деятельности и экспериментальная проверка эффективности предлагаемых мер поддержки. Кроме того, полученные результаты не обосновывают автоматическое оценивание студентов с помощью ИИ и не могут рассматриваться как основание для передачи ИИ ответственности за итоговые педагогические решения.

Дальнейшие этапы исследования должны включать экспертную валидацию матрицы ИИ-компетенций ППС, анализ реальных учебно-методических материалов и оценку эффективности программ профессионального развития в условиях формирующего или квазиэкспериментального дизайна.

Заключение

Проведенное исследование позволило решить поставленные задачи: проанализировать современные отечественные и зарубежные подходы к использованию ИИ в профессионально-педагогической деятельности ППС; разработать диагностический инструментарий; охарактеризовать социально-профессиональный профиль респондентов; определить распространенность и сценарии применения ИИ; выделить воспроизводимые профили практик использования ИИ; выявить барьеры, зоны неделегирования и образовательные потребности ППС.

Установлено, что опыт использования ИИ есть у 90,0% респондентов, однако активное применение, понимаемое как регулярное или периодическое использование, характерно для 66,7%. На основе воспроизводимой процедуры выделены пять профилей: дистанцированные / не включенные в текущую практику, эпизодические пользователи, инструментальные пользователи, педагогически интегрирующие пользователи и методические лидеры. Наибольшую группу составляют инструментальные пользователи, что свидетельствует о распространенности ИИ как средства поддержки отдельных задач при недостаточной глубине педагогической интеграции.

Наиболее распространенные практики связаны с разработкой заданий, тестов, кейсов, учебных материалов, редактированием и структурированием текстов. Зоны неделегирования относятся к оцениванию, экзаменационному контролю, проверке выпускных работ, коммуникации от имени преподавателя и работе с персональными данными. Барьеры имеют преимущественно этико-правовой, оценочный и организационно-методический характер.

Полученные данные могут быть использованы для проектирования локальных мер поддержки: правил применения ИИ, методических рекомендаций, программ повышения квалификации, чек-листов проверки результата ИИ, критериев допустимого использования ИИ студентами и матрицы ИИ-компетентности ППС. При этом такие рекомендации имеют предварительный прикладной характер и требуют последующей экспертной и экспериментальной проверки.