В статье разрабатывается концепция эпистемического кентавра – эмерджентного союза человеческого сознания и коммуникативного искусственного интеллекта (далее – КомИИ). Под КомИИ понимаются языковые модели нового поколения, функционирующие в логике коммуникации, поскольку они удерживают контекст диалога, считывают прагматику дискурса, реагируют на интенцию собеседника и инициируют новые смысловые ходы, в отличие от генеративного ИИ как технической характеристики. Показано, что КомИИ не удовлетворяет ни одному из четырёх критериев расширенного разума Э. Кларка и Д. Чалмерса в силу структурных причин: он не хранит, а генерирует знание; не стабилен, а семантически пластичен; требует верификации, а не некритического принятия; производит смысл без истории авторства. Критический анализ теорий распределённого познания (Э. Хатчинс) и акторно-сетевой теории (Б. Латур) и их современных применений к ИИ выявляет их объяснительные возможности и ограничения. На этом основании формулируются пять принципов эпистемического кентавра: коммуникативной агентности, эмерджентности смысла, диалогической майевтики, неделимости ответственности и эпистемической локальности. В диалоге с постструктуралистской традицией (Р. Барт, М. Фуко) показано, что ситуация кентавра не упраздняет, а возрождает фигуру Автора. Проводится разграничение между функциональным и дисфункциональным кентавром и формулируются импликации концепции для эпистемологии науки, академического авторства и педагогики высшей школы.

Актуальность исследования обусловлена противоречием между широким фактическим использованием искусственного интеллекта (ИИ) в российских университетах и дефицитом формализованных правил, регулирующих этот процесс. Целью работы является комплексный анализ официальных документов российских вузов, регламентирующих использование искусственного интеллекта в образовательном процессе, в т. ч. этические аспекты и риски. Методология базируется на двухэтапном контент-анализе открытых нормативных документов университетов. Теоретическая рамка исследования опирается на положения неоинституциональной теории, включая концепции институционального изоморфизма и стадий институционализации. Научная новизна исследования состоит не только в географическом расширении поля исследований политики ИИ за счёт российского кейса, но и в развитии неоинституционального анализа регуляций в условиях технологической неопределённости. Российский материал позволяет уточнить динамику ранней институционализации: показано, что формирование ИИ‑политик носит нелинейный характер, сочетающий заимствование дискурсивных формул и сохранение «институционального вакуума» на уровне процедур. Вводится типология адаптивного и ограничительного режимов регуляции, интерпретируемых как два устойчивых режима институционального реагирования на цифровые инновации, и демонстрируется их одновременное сосуществование в одной национальной системе. Этические принципы трактуются как специфический механизм символической легитимации уза в ситуации дефицита детализированных регламентов, что дополняет существующие подходы к анализу институционального изоморфизма и конкурентной дифференциации университетов. Перспективы исследования рассматриваются в направлении анализа процессов интернализации правил участниками образовательного процесса и лонгитюдного наблюдения за эволюцией институциональных форм.

Одним из основных противоречий интеграции технологий искусственного интеллекта (ИИ) в высшее образование является то, что, предоставляя беспрецедентные дидактические возможности для адаптации и персонализации обучения, ИИ одновременно порождает комплекс системных вызовов и рисков, требующих переосмысления содержания обучения, традиционных методов обучения и контроля, а также роли преподавателя в образовательном процессе. При этом эффективность противостояния возникающим угрозам во многом зависит от того, насколько преподаватели осознают данные вызовы и готовы практически на них ответить. Цель исследования – определить перечень ключевых вызовов и рисков, стоящих перед системой вузовского образования в условиях распространения ИИ, а также выявить степень понимания преподавателями высшей школы этих вызовов и рисков и их готовность к практическим действиям по их преодолению. На основе анализа научной литературы были выделены три основных вызова (изменение содержания обучения, изменение традиционных подходов и методов обучения и контроля, изменение роли преподавателя в триаде «преподаватель – ИИ – обучающийся») и четыре группы рисков (развитие клипового мышления и снижение когнитивной активности студентов, распространение ИИ-плагиата, «галлюцинации» и предвзятость ИИ, усиление цифрового и социального неравенства). Для определения понимания преподавателями этих вызовов и рисков, а также их готовности к ответу на них было проведено онлайн-анкетирование. В качестве респондентов выступили 1272 преподавателя из 43 вузов РФ. Результаты анкетного опроса свидетельствуют о наличии системного разрыва между декларируемым пониманием вызовов и рисков (около 70% педагогов осознают угрозы ИИ-плагиата и снижение когнитивных способностей студентов) и реальной практической готовностью к организационным и методическим изменениям (лишь 20–30% педагогов реально изменяют методы обучения и контроля, интегрируя ИИ в учебный процесс). Около 30–40% респондентов выразили нейтральное отношение по большинству вопросов, связанных с внедрением новых методов и форм контроля, а 15–25% опрошенных – отрицательное отношение. Полученные данные свидетельствуют о том, что на современном этапе системная интеграция ИИ в высшее образование не может осуществляться на инициативной основе отдельными преподавателями. Основная масса педагогов российских вузов не имеет системной поддержки (нормативной, методической, временной и финансовой) для перехода к новым моделям обучения в условиях распространения ИИ. Противостояние вызовам и рискам ИИ возможно исключительно на институциональном уровне при разработке и внедрении нормативных регламентов использования ИИ, введении универсальной компетенции в области ИИ во ФГОС ВО, пересмотре учебной нагрузки преподавателей и создании ресурсной базы для персонализированной работы студентов с инструментами ИИ.

Три года назад мы опубликовали статью о трансформациях в высшем образовании под влиянием технологий искусственного интеллекта (прежде всего – инструментов типа ChatGPT). Цель настоящей статьи – сверить ожидания 2023 г. с реалиями 2026 г., оценить текущую ситуацию и сформулировать новые прогнозы о состоянии высшего образования в эпоху ИИ. Мы начинаем с описания и анализа результатов контент-анализа публикаций по проблематике ИИ в образовании в ведущих русскоязычных журналах за 2023-2025 гг., что позволяет фиксировать тенденции и пробелы в профессиональной литературе. Затем, на основании проведённого анализа, мы переходим к обсуждению реализованных и нереализованных ожиданий 2023 г., после чего характеризуем риски, с которыми сталкиваются участники высшего образования сегодня. Затем в статье выделяются семь положений о российском высшем образовании в эпоху ИИ, которые могут выступать в качестве источников предположений для дальнейшего научного поиска. В завершение статьи мы формулируем вывод о том, как будет меняться высшая школа в долгосрочной перспективе.

Сегодня в образовательном пространстве можно наблюдать явление тревожности по поводу искусственного интеллекта, которое в значительной степени влияет на готовность принимать технологические решения и планировать своё профессиональное будущее. В эмпирических исследованиях ИИ-тревожность определяется как сложный феномен, включающий спектр негативных эмоциональных реакций, возникающих в связи с развитием и потенциальным влиянием искусственного интеллекта на различные сферы жизни. Учитывая влияние ИИ-тревожности на обучение, карьерные выборы, участие в цифровой экономике и психическое благополучие, возникает потребность в её целостном концептуальном описании и надёжной диагностике. Цель исследования – представить надёжный и валидный русскоязычный инструмент для диагностики ИИ-тревожности у студентов. Принятая за основу и модифицированная для студенческой выборки (N = 521) «Шкала ИИ-тревожности» (М. Алшайбани с соавторами) показала приемлемый уровень внешней и внутренней валидности, а также надёжности по внутренней согласованности. Конфирматорный факторный анализ подтвердил пятифакторную структуру опросника: тревога, связанная с точностью и надёжностью ИИ (accuracy); опасения, связанные с академической честностью (plagiarism); тревога, обусловленная нормативной неопределённостью (guidelines), опасения утраты учебных и когнитивных навыков (skill loss), а также снижение учебной мотивации (motivation). Внешняя валидность подтверждается наличием корреляций с нейротизмом и добросовестностью как чертами личности, образом будущего, отношением к искусственному интеллекту, а также с некоторыми социально-демографическими характеристиками. Адаптированный и модифицированный психодиагностический инструмент для изучения ИИ-тревожности открывает возможности для исследований на русскоязычной студенческой выборке.

Статья посвящена анализу связи между использованием генеративного искусственного интеллекта (ИИ) в учебной деятельности и ИИ-связанными характеристиками студентов российских вузов. Исходной предпосылкой исследования является необходимость отказаться от упрощённого отождествления частоты использования ИИ с ИИ-грамотностью или компетентностью взаимодействия с генеративными системами. В статье отдельно рассматриваются четыре характеристики: функциональная опора на ИИ при принятии решений, антропоморфизация ИИ, этическая чувствительность к его использованию и навык промптинга как показатель, оцениваемый через задание с наблюдаемым продуктом. Эмпирическую базу составили данные 1647 студентов 3–4-го курсов бакалавриата из 10 российских университетов, обучающихся по ST EM-дисциплинам, гуманитарным и социальным направлениям. Анализ показал, что общая частота использования генеративного ИИ положительно связана с функциональной опорой на ИИ и антропоморфизацией, но не имеет статистически значимой связи с этической чувствительностью и навыком промптинга после учёта множественных сравнений. Использование ИИ при подготовке курсовых и проектных работ оказалось связано как с функциональной опорой на ИИ, так и с антропоморфизацией. Более инструментальные сценарии, включая программирование и поиск учебных материалов, напротив, ассоциированы с более низкой антропоморфизацией. Этическая чувствительность в большей степени связана с направлением подготовки: студенты гуманитарных и социальных наук демонстрируют более высокие значения по сравнению со студентами ST EM-направлений. Для навыка промптинга устойчивых предикторов в итоговой модели не выявлено. Полученные результаты показывают, что частота использования генеративного ИИ не может рассматриваться как достаточный индикатор ИИ-грамотности студентов. Статья обосновывает необходимость более дифференцированного подхода к обучению, оцениванию и институциональному регулированию использования ИИ в высшем образовании.

Для понимания факторов успешной интеграции технологий искусственного интеллекта (ИИ) как исследовательского метода в деятельность лаборатории необходимо обратиться к существующему опыту научных коллективов, проанализировать ключевые аспекты их работы и опыт внедрения искусственного интеллекта, успешный или нет. Цель настоящего исследования состоит в том, чтобы выявить и систематизировать ключевые переменные, определяющие возможность включения искусственного интеллекта в работу научных коллективов. Для этого мы используем подход множественного кейсстади. В центре внимания данного исследования четыре исследовательских коллектива сибирских научных и образовательных организаций. Научные группы работают или работали над проектами в разных предметных областях: физике, истории, медицине.

Мы выявили три взаимосвязанных условия успешного внедрения искусственного интеллекта. Во-первых, возможность гармонизации исследовательской задачи и формата данных – исследователи начинали активно интегрировать ИИ в свою работу, когда традиционные методы становились технически неэффективными. Во-вторых, формирование коллаборации со специалистами в области работы с данными и программистами, которая во многом зависела от активной организационной политики, позволяя приобрести необходимые компетенции. И, как следствие, двусторонняя коммуникация между исследователями и специалистами по ИИ позволила закрепить опыт применения технологии для действующего и будущих проектов. Таким образом, внедрение ИИ оказывается не столько линейным, технологически обусловленным процессом, сколько согласованием исследовательской задачи, имеющихся ресурсов, компетенций, коммуникативных навыков, организационной культуры и дисциплинарных норм валидации полученного знания.