За последние два года большие языковые модели кардинально изменили подходы к обучению и оценке знаний в высших учебных заведениях. Согласно последним данным, около 87% студентов уже активно используют искусственный интеллект в своей учебе. Это привело к наступлению так называемой «постплагиатной» эпохи, когда традиционные схемы контроля знаний перестали работать эффективно. Однако университетские регламенты и инфраструктура часто не успевают за стремительно меняющейся практикой, создавая серьезные риски. Модели могут «галлюцинировать», выдавая неточные ответы, а массовое использование ИИ-инструментов порождает множество технических и организационных задач.
Доцент Санкт-Петербургской школы экономики и менеджмента НИУ ВШЭ Андрей Терников проанализировал типичные причины сбоев больших языковых моделей в университетах. Для своего исследования он применил диаграмму Исикавы, известную как «рыбья кость». Этот метод позволил разложить сложную проблему на шесть ключевых групп факторов: «Материалы», «Методы», «Машины», «Среда», «Люди» и «Измерения».
Для каждой из этих ветвей автор подробно описал характерные сбои, их потенциальное влияние на учебный процесс и предложил конкретные меры профилактики. Данный подход охватывает весь жизненный цикл работы с технологией — от создания университетских регламентов и развития инфраструктуры до обучения персонала и вовлечения студентов, при этом не требуя значительных единовременных ресурсов.
Практическая реализация плана строится на четырех последовательных шагах. Первым делом университет должен провести быстрый аудит, чтобы понять, где и как ИИ уже используется, какие данные обрабатываются, и для каких курсов отсутствуют четкие правила. Следующим этапом становится введение минимальных стандартов, включающих положения в учебных программах о допустимой помощи искусственного интеллекта и протоколы работы с персональными данными. После этого запускаются ограниченные пилотные проекты на типовых курсах, где в контролируемой «песочнице» проверяются методики оценивания и собирается обратная связь. Финальный шаг — масштабирование успешных практик с закреплением ответственности за академическими руководителями и ИТ-подразделениями.
Наша задача — перейти от общих обсуждений ИИ к четкому плану, где определены приоритеты, роли и контрольные точки. Следование этому плану позволяет вузам снижать риски и достигать измеримых результатов для студентов и преподавателей. Этот поэтапный и управляемый подход адаптируется под разные программы и масштабы. Он способствует созданию прозрачных правил, повышает доверие к оценкам и формирует культуру ответственного применения ИИ.
Ранее мы рассказывали, что ИИ впервые стал призером международной олимпиады по математике.
