От стихийности к порядку. Оценивание внедрения искусственного интеллекта в академических программах

Стремительное распространение искусственного интеллекта в высшем образовании превратило его из инновации в повседневную реальность. Однако массовое использование ИИ студентами и преподавателями часто носит стихийный характер, что создает риски для академической честности и качества оценки. В этой статье казахстанские ученые из Назарбаев Университета и Университет Нархоз описывают, как от стихийного использования ИИ можно прийти к его осознанной интеграции в образовательный процесс и решению административных задач. Авторы предлагают методологическую рамку, которая позволяет вузам не просто фиксировать факт использования нейросетей, но и системно встраивать их в дизайн дисциплин и критерии оценивания, обеспечивая управляемую трансформацию обучения в соответствии с требованиями цифровой эпохи.

Искусственный интеллект в высшем образовании перестал быть темой отдельных пилотных инициатив. Для большинства университетов это уже часть повседневной академической практики. ИИ используют студенты, преподаватели и административные подразделения.

Международные данные подтверждают масштаб сдвига. По данным Chegg Global Student Survey 2025, четверо из пяти студентов используют генеративный ИИ в университете; 29% студентов указывают GenAI как первый инструмент при сложном задании, а 69% считают важным включение обучения ИИ-инструментам в учебный план с учетом будущей профессии. По данным Global AI Faculty Survey 2025 Digital Education Council, 61% преподавателей уже использовали ИИ в преподавании, а 86% видят себя использующими его в будущей педагогической практике. Международные опросы университетского сообщества также фиксируют рост доли пользователей ИИ в работе и личных задачах по сравнению с предыдущими волнами наблюдения

Вместе с тем такие данные описывают прежде всего масштаб использования, а не качество внедрения. Они показывают, насколько широко ИИ вошел в практику, но не отвечают на вопрос, в какой степени он интегрирован в образовательные программы, как меняет учебные задания, критерии оценивания и результаты обучения.

Прошло совсем немного времени с периода, когда университеты реагировали на ИИ запретами, до момента, когда его в целом разрешили и описали в правилах использования. Однако это решило лишь вопрос «можно/нельзя» и почти не затронуло вопрос, «как» оценивать его проникновение.

Для управленческих и педагогических целей важно различать простое распространение ИИ и его методически осмысленную интеграцию. Распространение означает, что студенты и преподаватели уже используют ИИ в учебной и рабочей практике. Интеграция начинается тогда, когда применение ИИ становится частью дизайна дисциплины, связывается с содержанием курса, учебными заданиями, деятельностью студента, критериями оценивания и ожидаемыми результатами обучения.

Поэтому ключевым уровнем анализа является дисциплина. Именно на уровне дисциплины видно, используется ли ИИ случайно и фрагментарно или он встроен в учебную логику курса. Образовательная программа при этом задает общий профиль выпускника и результаты обучения, но фактическая трансформация происходит через конкретные курсы, задания и формы оценивания.

Такой подход особенно важен потому, что образовательная программа не может развиваться только через механическое добавление новых дисциплин. Ее объем ограничен, а структура уже связана с логикой формирования компетенций выпускника. Поэтому внедрение ИИ должно происходить не только через отдельные курсы об искусственном интеллекте, но и через интеграцию ИИ в содержание существующих дисциплин. В этом случае цифровые инструменты связываются с предметной областью и помогают студенту понять, как ИИ меняет профессиональное мышление, способы анализа и принятия решений внутри конкретной специальности.

В этой связи возникает необходимость аналитической рамки, позволяющей оценивать глубину интеграции ИИ именно на уровне дисциплины. Настоящая статья предлагает пятиуровневую модель, которая анализирует роль ИИ в структуре учебной задачи, характер деятельности студента и соответствующие формы оценивания. На уровне образовательной программы такая модель может использоваться уже как инструмент обобщения, она показывает, насколько последовательно ИИ встроен в разные дисциплины и как это влияет на достижение результатов обучения.

Почему наличие практики использования ИИ не равно его внедрению?

Искусственный интеллект все чаще рассматривается университетами не как отдельная технологическая инициатива, а как часть новой академической реальности. В управленческой повестке звучит задача стать AI-Enabled University – университетом, способным системно работать с ИИ в обучении, исследованиях, академическом сопровождении и административных процессах. Это правильное направление, но скорость изменений часто создает риск поверхностного внедрения. Университет может быстро принять политику или правила, провести обучение, зафиксировать использование ИИ в методических материалах и отчетах, но при этом почти не изменить саму учебную деятельность.

Именно здесь часто возникает подмена педагогической интеграции формальной готовностью. Политика использования ИИ, рекомендации для преподавателей и студентов, внутренние тренинги и регламенты являются важными шагами. Однако их наличие еще не означает, что ИИ действительно встроен в содержание дисциплин, учебные задания, формы работы студентов и способы подтверждения результатов обучения.

Если не меняется педагогическая практика, нормативная рамка остается внешним контуром по отношению к реальному образовательному процессу.

Дополнительная сложность связана с тем, что само выражение «использование ИИ» объединяет слишком разные практики. Под ним может пониматься простое ускорение рутинной работы, помощь в поиске информации, проверка аргументации, критическая оценка результата, проектирование профессионального решения или работа в исследовательской логике. Если учитывать все эти случаи одинаково, университет может получить высокие показатели использования ИИ, но не увидеть, насколько содержательно он встроен в обучение.

Поэтому для университета важен не только сам факт применения ИИ, а его роль в учебной деятельности. В одном случае ИИ остается вспомогательным инструментом, в другом – становится частью анализа, проектирования, исследования и профессионального мышления. Эти варианты предполагают разную педагогическую сложность, разную степень самостоятельности студента и разные подходы к оцениванию. Нельзя одинаково оценивать ситуацию, когда ИИ используется для ускорения выполнения задания, и ситуацию, когда он помогает студенту развивать аргументацию, критический анализ или проектное решение.

Вопрос оценивания в этом контексте возникает не как отдельная техническая процедура, а как часть логики дисциплины. Если задания, критерии проверки и способы подтверждения результата не учитывают роль ИИ, университету становится сложнее понять, что именно демонстрирует студент. Это может быть владение содержанием дисциплины, способность критически работать с ИИ, умение проектировать решение или просто навык получения готового ответа. Формальный контроль при этом может сохраняться, но его содержательная валидность снижается, если он не различает механическую генерацию результата и осмысленную работу студента с использованием ИИ.

Отдельная проблема связана со смешением уровней анализа. Использование ИИ в отдельной дисциплине, наличие университетской политики и системное изменение образовательной программы являются разными явлениями. Если их не разводить, локальная активность отдельного преподавателя может выглядеть как системное внедрение, а наличие политики – как доказательство изменения педагогической практики. Поэтому анализ должен начинаться на уровне дисциплины и учебного задания, где видно, как именно ИИ связан с содержанием курса, деятельностью студента и формами оценивания. На уровне образовательной программы эти данные уже могут обобщаться через вклад дисциплин в результаты обучения и профиль выпускника.

Обсуждение внедрения ИИ требует перехода от фиксации отдельных практик к анализу структуры учебной деятельности. Необходимо различать уровни интеграции ИИ в дисциплине, понимать его роль в учебной задаче и соотносить эту роль с результатами обучения. Только в этом случае университет уходит от поверхностного вывода о том, что ИИ уже используется, и переходит к более содержательному вопросу о том, как именно он меняет обучение, деятельность студента и подтверждение образовательных результатов.

Концептуальная логика рамки оценки внедрения ИИ

Для перехода от фиксации наличия ИИ-практик к оценке качества их интеграции необходима рамка, которая различает то, какую роль ИИ играет в учебной деятельности и какого типа мыслительная работа ожидается от студента.

Поиск исходной методологической опоры подталкивает к логике таксономии Блума. Ее ценность состоит в том, что она позволяет рассматривать учебную деятельность как движение от относительно простых когнитивных операций к более сложным, от понимания и применения к анализу, оценке и созданию. В контексте ИИ это особенно важно, поскольку центральный вопрос для академической программы состоит не в том, используется ли технология сама по себе, а в том, стимулирует ли она развитие мышления или, напротив, подменяет отдельные когнитивные операции. Однако есть и недостатки в данном подходе: классическая таксономия Блума не различает режимы взаимодействия с ИИ и потому не может напрямую служить шкалой зрелости его внедрения. Поэтому предлагаемая рамка строится на сочетании двух аналитических измерений.

Первое измерение – это роль ИИ в структуре учебной задачи. ИИ может выступать предметом изучения, инструментом выполнения отдельных операций, объектом критической проверки, компонентом профессионального решения или средой исследования и эксперимента. Эти роли не заменяют друг друга, поскольку в каждом случае ИИ занимает различное место в дидактическом замысле и требует разных способов оценивания.

Второе измерение – это уровень интеллектуальных усилий, которые требуются от студента. В одном случае от него требуется понимать базовые принципы и терминологию; в другом – использовать инструмент для решения задачи; в третьем – анализировать и критически проверять результат; далее – проектировать решение, в котором ИИ является лишь одним из элементов; и, наконец, на наиболее сложном уровне использовать ИИ как часть исследовательской среды для выдвижения, проверки и уточнения новых гипотез или решений.

Именно пересечение этих двух измерений и образует рамку. Ее логика состоит в различении типов образовательной активности и глубины педагогической интеграции ИИ. Низкий уровень в этой шкале не обязательно означает дефицит качества, для ряда вводных дисциплин или ранних этапов подготовки естественно, что ИИ выступает прежде всего объектом изучения.

Однако для программы в целом важно, чтобы по мере продвижения студента возрастали не только частота контакта с ИИ, но и сложность работы с ним: от знакомства и инструментального использования к критической оценке, проектированию и исследованию.

Это различие особенно важно для оценивания. Если ИИ выступает лишь как инструмент выполнения отдельных операций, то основная задача оценивания состоит в том, чтобы сделать использование инструмента прозрачным и не допустить подмены значимой части работы автоматизацией. Если же он становится объектом критической проверки, элементом профессионального решения или средой исследования, то и оценивание должно смещаться от проверки конечного продукта к проверке мышления, аргументации, выбора критериев, качества суждения и способности студента обосновывать свои решения. Иными словами, по мере движения по уровням меняется не только роль ИИ, но и сама архитектура доказательств достижения результатов.

Исходя из описанной логики, интеграцию ИИ в академической программе можно рассматривать как спектр образовательных практик, различающихся по роли ИИ в учебной задаче и по характеру мыслительной деятельности студента. В предлагаемой рамке выделяется пять уровней. Они не образуют жесткой иерархии дисциплин и не предполагают, что каждый курс должен стремиться к максимальному уровню. Их назначение – разграничить типы образовательной активности, где ИИ отводятся разные роли в структуре задания и логике оценивания.

Уровень 1. ИИ как объект изучения. На первом уровне ИИ сам выступает прежде всего предметом знания. Студенты знакомятся с основными понятиями, типами моделей, областями применения и связанными с ними социальными и этическими вопросами. Целью обучения является формирование базовой информированности и способности обсуждать технологии ИИ в профессиональном контексте.

Типичные задания включают обзорные эссе, анализ кейсов использования, тесты на понимание терминологии или краткие письменные работы о возможностях и рисках использования ИИ в конкретной сфере. В подобных заданиях ИИ является не инструментом решения задачи, а объектом обсуждения.

С точки зрения оценивания здесь доминируют традиционные формы контроля. Однако доступность генеративного ИИ создает риск подмены самостоятельной работы автоматической генерацией текста.

Поэтому даже на этом уровне становится важным формулировать задания таким образом, чтобы они требовали осмысленной интерпретации и аргументации, а не простого воспроизведения информации.

Уровень 2. ИИ как инструмент выполнения задачи. На втором уровне ИИ начинает использоваться как вспомогательный инструмент в рамках выполнения учебной работы. Студенты применяют его для отдельных операций, таких как генерация идей, подготовка черновиков, поиск формулировок, первичный анализ данных или написание фрагментов кода.

Типичным примером может быть задание, где студент использует ИИ для подготовки первоначального текста, а затем редактирует и дорабатывает его, аргументируя внесенные изменения. В программировании ИИ может применяться для генерации базовых фрагментов кода, которые затем проверяются и корректируются.

На этом уровне формируются базовые навыки работы с ИИ как с инструментом. Однако критическая оценка результатов и понимание ограничений модели могут оставаться вторичными.

Поэтому ключевой задачей оценивания становится прозрачность использования ИИ. Это может достигаться через требование описывать стратегию использования инструмента, фиксировать запросы или включать рефлексивный раздел о том, как ИИ использовался при выполнении задания.

Уровень 3. ИИ как объект критической оценки. На третьем уровне центральной учебной активностью становится критическая работа с результатами ИИ. Студенты анализируют ответы ИИ-моделей, сопоставляют их с источниками и профессиональными стандартами, выявляют ошибки и неточности, а также предлагают аргументированные корректировки.

Примеры заданий могут включать анализ ответа генеративной модели на профессиональный вопрос, проверку достоверности предложенных фактов или оценку аргументации в тексте, созданном ИИ. В некоторых дисциплинах это может принимать форму аудита решений, предложенных ИИ-моделью, с точки зрения нормативных требований или доказательной базы.

В этом режиме ИИ перестает быть просто инструментом ускорения работы и становится объектом аналитического рассмотрения. Соответственно, критерии оценивания смещаются от оценки конечного текста к глубине анализа, качеству аргументации и способности выявлять ограничения автоматизированных решений.

Уровень 4. ИИ как компонент профессионального решения. На четвертом уровне ИИ интегрируется в архитектуру профессионального решения. Студенты проектируют продукты, процессы или управленческие решения, в которых ИИ выполняет определенную функцию наряду с другими элементами системы.

Типичные задания включают разработку концепции сервиса, где ИИ используется для анализа данных или поддержки принятия решений, проектирование цифровых процессов в организации или разработку политики использования ИИ в профессиональной среде. В этих задачах ИИ рассматривается не изолированно, а как часть более широкой системы.

С точки зрения обучения здесь формируются навыки системного мышления и проектирования.

Оценивание фокусируется на способности обосновать архитектуру решения, аргументировать выбор роли ИИ, учитывать риски и ограничения технологии и интегрировать ее в более широкий профессиональный контекст.

Уровень 5. ИИ как среда эксперимента и исследования. На пятом уровне ИИ используется как среда для эксперимента и исследования. Студенты применяют его для генерации гипотез, моделирования сценариев, проведения сравнительных экспериментов или анализа альтернативных решений.

Примеры включают исследовательские проекты, где студенты сравнивают поведение различных моделей, используют ИИ для генерации и проверки гипотез или проводят симуляции сложных процессов. В этом режиме ИИ становится частью исследовательской инфраструктуры, а не только инструментом выполнения задачи.

Когнитивная сложность деятельности на этом уровне максимальна. От студента требуется формулировать исследовательский вопрос, проектировать методологию, интерпретировать результаты и аргументировать выводы. Соответственно, оценивание опирается на исследовательские форматы: проекты, отчеты, презентации и научные работы.

Значение уровневой логики для образовательной программы

Важно подчеркнуть, что уровни не предназначены для оценки отдельных дисциплин по принципу «лучше – хуже». Их задача – описать разнообразие режимов работы с ИИ и показывать, как усложняются навыки и мышление студента по мере прохождения образовательной программы.

Для вводных дисциплин естественно доминирование первого или второго уровня. Однако на уровне программы важно, чтобы по мере продвижения студента возрастала сложность взаимодействия с ИИ от знакомства и инструментального использования к критической оценке, проектированию решений и исследовательской деятельности. В этом смысле пятиуровневая модель позволяет анализировать не отдельные задания, а структуру образовательной траектории, выявляя, какие типы работы с ИИ формируются на разных этапах обучения.

Для эффективного управления предлагаемая модель должна работать как регулярная система внутреннего аудита. Оптимальная логика здесь самооценка дисциплин, то есть когда преподаватели сами оценивают свои предметы по единым правилам, а затем эти данные собираются в общую картину программы. Самооценка выполняет развивающую функцию, фиксирует не «факт использования ИИ», а качество и целесообразность интеграции ИИ в учебную деятельность и оценивание.

Отнесение дисциплины к одному из пяти уровней предполагается на основе ее анализа с опорой не на общее впечатление, а на детальное изучение учебной программы и конкретных заданий, которые получают студенты. Преподаватель, автор дисциплины до начала академического периода соотносит курс с одним из уровней и обосновывает выбор через цели и результаты обучения, типологию заданий, критерии оценивания и правила использования ИИ. Это позволяет фиксировать объект анализа в учебной документации и снижает зависимость оценки от субъективных ощущений.

Далее руководитель образовательной программы собирает все отчеты по самооценке дисциплин в единую картину и соотносит ее с главными целями программы. На этом уровне рамка начинает работать как инструмент управления качеством, выявляется распределение уровней интеграции ИИ по годам обучения, доля дисциплин с критически низким и более глубоким уровнем его использования и то, как ситуация меняется со временем. Важен принцип вертикальной согласованности. Профиль программы должен отражаться в преобладающих уровнях интеграции, а дисциплины, отвечающие за аналитические, проектные и исследовательские результаты, не могут системно оставаться на обзорном или сугубо инструментальном уровне.

Роль руководителя образовательной программы при этом меняется. Он перестает быть преимущественно координатором учебного плана и становится владельцем программной логики качества,

то есть сопоставляет интеграцию ИИ с результатами обучения, выравнивает требования к заданиям и критериям оценивания между дисциплинами, выявляет разрывы по годам обучения и задает траекторию усложнения навыков работы с ИИ. В этой модели руководитель программы выполняет функцию «архитектора доказательств» достижения результатов обучения. Он обеспечивает, чтобы ключевые контрольные точки программы сохраняли валидность в условиях ИИ и чтобы изменения не оставались набором несвязанных инициатив отдельных курсов.

Сводная информация консолидируется на уровне школы или университета и представляется в виде аналитических панелей, ориентированных на такие управленческие вопросы, как соответствие интеграции ИИ целям и результатам обучения, распределение уровней, доля дисциплин с уровнем 3+, доля дисциплин с уровнями 4–5, динамика изменений. Такие панели не должны подменять академическую экспертизу, но давать прозрачную картину зрелости внедрения и основание для решений от корректировки заданий и критериев оценивания до планирования развития компетенций преподавателей и грамотного распределения ресурсной поддержки.

Преимущество подхода в том, что он делает интеграцию ИИ сопоставимой и управляемой, позволяет видеть распределение практик, выявлять разрывы и отслеживать динамику. Риски также существенны. Во-первых, существует вероятность формализации, когда уровень присваивается по документам, а не по реальной практике. Во-вторых, шкала упрощает разнообразие дисциплин и требует экспертной модерации. В-третьих, при жестком применении модель может стимулировать искусственное «повышение уровня» вместо осмысленного проектирования траектории обучения.

Ключевая зона внедрения – оценивание. При доступности генеративного ИИ задания должны проверять не «выход текста», а качество мышления студента, то есть аргументацию, проверку источников, обоснование выбора и рефлексию по использованию ИИ. Без этого любое заявление о внедрении остается декларацией.

Представленная карта позволяет увидеть не только факт присутствия ИИ, но и характер его педагогической интеграции. Практическая ценность такой карты состоит в выявлении разрывов. Например, если на старших курсах ИИ продолжает использоваться только как инструмент генерации или ускорения выполнения заданий, это может указывать на недостаточную глубину интеграции. В таком случае управленческое решение должно быть направлено не на добавление еще одной дисциплины об ИИ, а на пересмотр заданий внутри существующих курсов. Так, в курсе «Поведение потребителей» можно усилить работу не только с генерацией описаний целевой аудитории, но и с проверкой выводов ИИ, сопоставлением их с данными и обоснованием управленческих решений.

Без подобной карты университет рискует видеть только общий показатель использования ИИ. Однако сам по себе этот показатель не показывает, формируются ли у студентов аналитические, проектные и исследовательские компетенции. Диагностическая карта позволяет перейти от общей констатации «ИИ используется» к более точному вопросу: где именно, на каком уровне и с каким образовательным результатом он встроен в дисциплины программы.

От хаотичности к управляемой интеграции ИИ

Высшее образование вступило в фазу, в которой массовое распространение ИИ стало фактом, а управляемое внедрение в академические программы остается незавершенной задачей. Переход от стихийного распространения ИИ к управляемой интеграции возможен только при наличии методологической рамки и системы измерителей. На практическом уровне это означает, что университетам целесообразно начинать с пилотной оценки нескольких образовательных программ или кластеров дисциплин, где влияние ИИ на задания и оценивание уже наиболее заметно, а затем масштабировать механизм на портфель программ. Подобный поэтапный подход снижает риски формализации модели и позволяет использовать результаты оценки не только для отчетности, но и для развития педагогических практик.

В таком виде система оценки становится не только инструментом контроля рисков, но и механизмом целевого развития кадрового потенциала, позволяет проектировать траектории формирования ИИ-компетенций и обеспечивать сопоставимый результат подготовки. Одновременно она позволяет университетам увидеть, какие типы работы с ИИ доминируют в образовательной программе (обзорные, инструментальные, аналитические, проектные, исследовательские) и насколько это распределение соответствует профилю выпускника. Тем самым пятиуровневая модель может рассматриваться не только как аналитический инструмент описания практик, но и как основа для проектирования и развития образовательных программ в условиях ИИ-насыщенной академической среды.

---

АННОТАЦИЯ

Жоғары оқу орындарында жасанды интеллектіні педагогикалық интеграциялаудың бес деңгейлі моделі оқу тапсырмасындағы ЖИ-дің рөліне және студенттер қызметінің когнитивті күрделілігіне байланысты білім беру белсенділігінің түрлерін аналитикалық тұрғыдан ажыратуға мүмкіндік береді. Технологияны пайдалану фактісін ғана тіркейтін тәсілдерден айырмашылығы, бұл модель ЖИ-мен өзара әрекеттесудің педагогикалық логикасын айқындайды: ол ЖИ-ді зерттеу мен құрал ретінде қолданудан бастап, сыни тұрғыдан бағалауға, шешімдерді жобалауға және зерттеу жұмысына дейінгі кезеңдерді қамтиды.