Ситуация кентавра: основания и границы познавательного союза

«Манифест эпистемического кентавра», публикуемый в этом номере, предлагает стратегию союза человека и искусственного интеллекта в науках о человеке и обществе. Его положения даны как тезисы, без аргументации и ссылок, поэтому задача настоящей статьи состоит в том, чтобы развернуть их основания и уточнить спорные места. Опираясь на обзор исследовательской литературы последних лет, авторы показывают, что генеративные модели уже встроены во все этапы исследовательского цикла – от конструирования гипотез и обзоров литературы до синтетических респондентов, восстановления пропущенных данных, машинных интервьюеров, разметки текстов и написания статистического кода. Сложившееся положение дел названо ситуацией кентавра, в которой исследователь оказывается независимо от того, выбрал ли он стратегию союза. Для её анализа развёрнуто различение функциональной агентности искусственных систем и человеческой субъектности, намеченное в п. 2.2 Манифеста, и показано, что несводимость результата к вкладам участников не отменяет возможности раскрывать роль машины. Отдельно разобрано возражение, согласно которому ответственность за непонятый исследователем вывод превращается в ритуальное признание вины. Осмысленность такой ответственности связана с сохранением права отказа от вывода и с проверкой, соразмерной его последствиям. Наконец, экспериментальные данные о совместной работе человека и модели не подтверждают продуктивности союза самого по себе, и это придаёт особый вес требованиям дисциплины, сообщества практик и переосмысления целей университетского образования.

1. Никольский В.С., Земцов Д.И., Яськов И.О. Эпистемический кентавр: философия нового познающего субъекта // Высшее образование в России. – 2026. – Т. 35, № 6. – С. 10–30. – DOI: 10.31992/0869-3617-2026-35-6-10-30.

2. Кошкина Е.А., Бордовская Н.В., Гнедых Д.С. и др. Генеративный искусственный интеллект в высшем образовании: обзор теоретических подходов и практик применения // Высшее образование в России. – 2025. – Т. 34, № 6. – С. 36–57. – DOI: 10.31992/0869-3617-2025-34-6-36-57.

3. Резаев А.В., Трегубова Н.Д. Искусственный интеллект и новая система высшего образования: ретроспектива ожиданий в 2023 году и горизонты 2029 года // Высшее образование в России. – 2026. – Т. 35, № 6. – С. 83–101. – DOI: 10.31992/0869-3617-2026-35-6-83-101.

4. Łabuz M., Nehring C. Information apocalypse or overblown fears: what AI mis- and disinformation is all about? Shifting away from technology toward human reactions // Politics & Policy. – 2024. – Vol. 52, no. 4. – P. 874–891. – DOI: 10.1111/polp.12617.

5. Hanson M.A., Barreiro P.G., Crosetto P., Brockington D. The strain on scientific publishing // Quantitative Science Studies. – 2024. – Vol. 5, no. 4. – P. 823–843. – DOI: 10.1162/qss_a_00327.

6. Kobak D., González-Márquez R., Horvát E.-Á., Lause J. Delving into LLM-assisted writing in biomedical publications through excess vocabulary // Science Advances. – 2025. – Vol. 11, no. 27. – Article no. eadt3813. – DOI: 10.1126/sciadv.adt3813.

7. Messeri L., Crockett M.J. Artificial intelligence and illusions of understanding in scientific research // Nature. – 2024. – Vol. 627, no. 8002. – P. 49–58. – DOI: 10.1038/s41586-024-07146-0.

8. Saenz A.D., Centi A., Ting D. et al. Establishing responsible use of AI guidelines: a comprehensive case study for healthcare institutions // npj Digital Medicine. – 2024. – Vol. 7, no. 1. – Article no. 348. – DOI: 10.1038/s41746-024-01300-8.

9. Luo M., Yang W., Bai L. et al. Artificial intelligence for life sciences: A comprehensive guide and future trends // The Innovation Life. – 2024. – Vol. 2, no. 4. – Article no. 100105. – DOI: 10.59717/j.xinn-life.2024.100105.

10. Филипова А.Г., Склярова С.А. От разрешительных практик к институциональным нормам: этическое регулирование использования искусственного интеллекта в российском высшем образовании // Высшее образование в России. – 2026. – Т. 35, № 6. – С. 31–54. – DOI: 10.31992/0869-3617-2026-35-6-31-54.

11. Jowsey T., Braun V., Clarke V. et al. We reject the use of generative artificial intelligence for reflexive qualitative research // Qualitative Inquiry. – 2025. – Article no. 10778004251401851. – DOI: 10.1177/10778004251401851.

12. Agergaard T.E., Nielsen K.H., Labouriau R., Fage-Butler A. Exploring Trust and Literacy in Engagement With Generative AI and Science Information Behavior // Media and Communication. – 2026. – Vol. 14. – Article no. 11357. – DOI: 10.17645/mac.11357.

13. Klein-Avraham I., Baram-Tsabari A. When ignorance induces reliance: The role of epistemic knowledge about generative AI in changing health-related decision-making // Public Understanding of Science. – 2026. – DOI: 10.1177/09636625261442388.

14. Grossmann I., Feinberg M., Parker D.C. et al. AI and the transformation of social science research // Science. – 2023. – Vol. 380, no. 6650. – P. 1108–1109. – DOI: 10.1126/science.adi1778.

15. Телицына А.Ю. Оптимизация научной деятельности через интеграцию ИИ: нейронные сети как инструмент в работе с академической литературой // Мониторинг общественного мнения: экономические и социальные перемены. – 2024. – № 5. – С. 218–236. – DOI: 10.14515/monitoring.2024.5.2623.

16. Kozinets R.V., Seraj-Aksit M. Everyday activism: an AI-assisted netnography of a digital consumer movement // Journal of Marketing Management. – 2024. – Vol. 40, no. 3–4. – P. 347–370. – DOI: 10.1080/0267257X.2024.2307387.

17. Hajli N., Saeed U., Tajvidi M., Shirazi F. Social Bots and the Spread of Disinformation in Social Media: The Challenges of Artificial Intelligence // British Journal of Management. – 2022. – Vol. 33, no. 3. – P. 1238–1253. – DOI: 10.1111/1467-8551.12554.

18. Argyle L.P., Busby E.C., Fulda N. et al. Out of One, Many: Using Language Models to Simulate Human Samples // Political Analysis. – 2023. – Vol. 31, no. 3. – P. 337–351. – DOI: 10.1017/pan.2023.2.

19. Wang A., Morgenstern J., Dickerson J.P. Large language models that replace human participants can harmfully misportray and flatten identity groups // Nature Machine Intelligence. – 2025. – Vol. 7. – P. 400–411. – DOI: 10.1038/s42256-025-00986-z.

20. Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 9459– 9474. – DOI: 10.48550/arXiv.2005.11401.

21. Little R.J.A., Rubin D.B. Statistical Analysis with Missing Data. – 3rd ed. – Hoboken, NJ: Wiley, 2019. – ISBN: 978-1-118-59569-5. – DOI: 10.1002/9781119482260.

22. Stekhoven D.J., Bühlmann P. MissForest – non-parametric missing value imputation for mixed-type data // Bioinformatics. – 2012. – Vol. 28, no. 1. – P. 112–118. – DOI: 10.1093/bioinformatics/btr597.

23. Kim J., Lee B. AI-Augmented Surveys: Leveraging Large Language Models and Surveys for Opinion Prediction // arXiv. – 2023. – arXiv:2305.09620 (препринт). – DOI: 10.48550/arXiv.2305.09620.

24. Chopra F., Haaland I. Conducting Qualitative Interviews with AI // CESifo Working Paper. – 2023. – No. 10666. – DOI: 10.2139/ssrn.4572954.

25. Ziems C., Held W., Shaikh O. et al. Can Large Language Models Transform Computational Social Science? // Computational Linguistics. – 2024. – Vol. 50, no. 1. – P. 237–291. – DOI: 10.1162/coli_a_00502.

26. Grimmer J., Roberts M.E., Stewart B.M. Text as Data: A New Framework for Machine Learning and the Social Sciences. – Princeton: Princeton University Press, 2022. – 360 p. – ISBN: 978-0-691-20799-5.

27. Egami N., Fong C.J., Grimmer J., Roberts M.E., Stewart B.M. How to make causal inferences using texts // Science Advances. – 2022. – Vol. 8, no. 42. – Article no. eabg2652. – DOI: 10.1126/sciadv.abg2652.

28. Gilardi F., Alizadeh M., Kubli M. ChatGPT outperforms crowd workers for text-annotation tasks // Proceedings of the National Academy of Sciences. – 2023. – Vol. 120, no. 30. – Article no. e2305016120. – DOI: 10.1073/pnas.2305016120.

29. Anakok I., Katz A., Chew K.J. et al. Leveraging generative text models and natural language processing to perform traditional thematic data analysis // International Journal of Qualitative Methods. – 2025. – Vol. 24. – Article no. 16094069251338898. – DOI: 10.1177/16094069251338898.

30. Marmolejo-Ramos F., Rojas-Galeano S., Ciria A. et al. Let the vibe be with you: A paradigm shift in statistics education? // Quality & Quantity. – 2026. – P. 1–24. – DOI: 10.1007/s11135-026-02898-5.

31. Сазонов А.А., Попова Е.В., Мацепуро Д.М. Факторы интеграции искусственного интеллекта в исследование: кейсы российских лабораторий // Высшее образование в России. – 2026. – Т. 35, № 6. – С. 149–168. – DOI: 10.31992/0869-3617-2026-35-6-149-168.

32. Hutchins E. Cognition in the Wild. – Cambridge, MA: MIT Press, 1995. – ISBN: 978-0-262-08231-0. – DOI: 10.7551/mitpress/1881.001.0001.

33. Clark A., Chalmers D. The Extended Mind // Analysis. – 1998. – Vol. 58, no. 1. – P. 7–19. – DOI: 10.1093/analys/58.1.7.

34. Сидорчук Р.Р. Когнитивная экстернализация и ГенИИ в высшей школе // Высшее образование в России. – 2026. – Т. 35, № 7. – С. 53–75. – DOI: 10.31992/0869-3617-2026-35-7-53-75.

35. Chalmers D.J. Facing Up to the Problem of Consciousness // Journal of Consciousness Studies. – 1995. – Vol. 2, no. 3. – P. 200–219. – URL: https://www.ingentaconnect.com/content/imp/jcs/1995/00000002/00000003/653 (дата обращения: 12.09.2026).

36. Mogi K. Artificial intelligence, human cognition, and conscious supremacy // Frontiers in Psychology. – 2024. – Vol. 15. – Article no. 1364714. – DOI: 10.3389/fpsyg.2024.1364714.

37. Dennett D.C. Illusionism as the Obvious Default Theory of Consciousness // Journal of Consciousness Studies. – 2016. – Vol. 23, no. 11–12. – P. 65–72. – URL: https://www.ingentaconnect.com/contentone/imp/jcs/2016/00000023/f0020011/art00005 (дата обращения: 12.09.2026).

38. Frankish K., Sklutová K. Illusionism and its place in contemporary philosophy of mind // Human Affairs. – 2022. – Vol. 32, no. 3. – P. 300–310. – DOI: 10.1515/humaff-2022-0023.

39. Bostrom N. The Superintelligent Will: Motivation and Instrumental Rationality in Advanced Artificial Agents // Minds and Machines. – 2012. – Vol. 22, no. 2. – P. 71–85. – DOI: 10.1007/s11023-012-9281-3.

40. Erskine T. AI and the future of IR: Disentangling flesh-and-blood, institutional, and synthetic moral agency in world politics // Review of International Studies. – 2024. – Vol. 50, no. 3. – P. 534–559. – DOI: 10.1017/S0260210524000202.

41. Ladak A., Loughnan S., Wilks M. The Moral Psychology of Artificial Intelligence // Current Directions in Psychological Science. – 2024. – Vol. 33, no. 1. – P. 27–34. – DOI: 10.1177/09637214231205866.

42. Никольский В.С. Коммуникативный искусственный интеллект: концептуализация новой реальности в образовании // Высшее образование в России. – 2025. – Т. 34, № 6. – С. 152– 168. – DOI: 10.31992/0869-3617-2025-34-6-152-168.

43. Латур Б. Пересборка социального: введение в акторно-сетевую теорию / пер. с англ. И. Полонской. – 2-е изд. – М.: Изд. дом Высшей школы экономики, 2020. – 384 с. – ISBN: 978-5-7598-2055-0.

44. Callon M. Some Elements of a Sociology of Translation: Domestication of the Scallops and the Fishermen of St Brieuc Bay // The Sociological Review. – 1984. – Vol. 32, no. 1 (suppl.). – P. 196–233. – DOI: 10.1111/j.1467-954X.1984.tb00113.x.

45. Telakivi P., Kokkonen T., Hakli R., Mäkelä P. AI-Extended Moral Agency? // Social Epistemology. – 2026. – Vol. 40, no. 1. – P. 116–128. – DOI: 10.1080/02691728.2025.2472759.

46. Vaccaro M., Almaatouq A., Malone T. When combinations of humans and AI are useful: A systematic review and meta-analysis // Nature Human Behaviour. – 2024. – Vol. 8, no. 12. – P. 2293–2303. – DOI: 10.1038/s41562-024-02024-1.

47. Dell’Acqua F., McFowland E., Mollick E.R. et al. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality // Organization Science. – 2026. – Vol. 37, no. 2. – P. 403–423. – DOI: 10.1287/orsc.2025.21838.

48. Noy S., Zhang W. Experimental evidence on the productivity effects of generative artificial intelligence // Science. – 2023. – Vol. 381, no. 6654. – P. 187–192. – DOI: 10.1126/science.adh2586.

49. Brynjolfsson E., Li D., Raymond L. Generative AI at Work // The Quarterly Journal of Economics. – 2025. – Vol. 140, no. 2. – P. 889–942. – DOI: 10.1093/qje/qjae044.

50. Siemon D. Elaborating Team Roles for Artificial Intelligence-based Teammates in Human-AI Collaboration // Group Decision and Negotiation. – 2022. – Vol. 31, no. 5. – P. 871–912. – DOI: 10.1007/s10726-022-09792-z.

51. Herath Pathirannehelage S., Shrestha Y.R., von Krogh G. Design principles for artificial intelligence-augmented decision making: An action design research study // European Journal of Information Systems. – 2025. – Vol. 34, no. 2. – P. 207–229. – DOI: 10.1080/0960085X.2024.2330402.

52. Suchikova Y., Tsybuliak N., Teixeira da Silva J.A., Nazarovets S. GAIDeT: Generative AI Delegation Taxonomy: A taxonomy for humans to delegate tasks to generative artificial intelligence in scientific research and publishing // Accountability in Research. – 2025. – DOI: 10.1080/08989621.2025.2544331.

53. Linder C., Nepogodiev D., Alomari O. Generative Artificial Intelligence Transparency in scientific writing: the GAIT 2024 guidance // Impact Surgery. – 2025. – Vol. 2, no. 1. – P. 6–11. – DOI: 10.62463/surgery.134.

54. Merton R.K. The Normative Structure of Science // Merton R.K. The Sociology of Science: Theoretical and Empirical Investigations / ed. by N.W. Storer. – Chicago: University of Chicago Press, 1973. – P. 267–278. – ISBN: 978-0-226-52092-6.

55. Филатова А.А., Раведовская У.Ю., Обухов К.Н. Статус преподавателя и вызовы ИИ: стратегии символической защиты и репозиционирования // Высшее образование в России. – 2026. – Т. 35, № 1. – С. 77–95. – DOI: 10.31992/0869-3617-2026-35-1-77-95.

56. Peirce C.S. Collected Papers of Charles Sanders Peirce. Vol. 5: Pragmatism and Pragmaticism / ed. by C. Hartshorne, P. Weiss. – Cambridge, MA: Harvard University Press, 1934. – § 5.189. – ISBN: 978-0-674-13802-5.

57. Timmermans S., Tavory I. Theory Construction in Qualitative Research: From Grounded Theory to Abductive Analysis // Sociological Theory. – 2012. – Vol. 30, no. 3. – P. 167–186. – DOI: 10.1177/0735275112457914.

58. Bender E.M., Gebru T., McMillan-Major A., Shmitchell S. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? // Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘21). – NY: ACM, 2021. – P. 610–623. – DOI: 10.1145/3442188.3445922.

59. Santurkar S., Durmus E., Ladhak F. et al. Whose Opinions Do Language Models Reflect? // Proceedings of the 40th International Conference on Machine Learning. – PMLR, 2023. – Vol. 202. – P. 29971–30004. – URL: https://openreview.net/pdf?id=7IRybndMLU (дата обращения: 12.09.2026).

60. Tao Y., Viberg O., Baker R.S., Kizilcec R.F. Cultural bias and cultural alignment of large language models // PNAS Nexus. – 2024. – Vol. 3, no. 9. – Article no. pgae346. – DOI: 10.1093/pnasnexus/pgae346.

61. Haraway D. Situated Knowledges: The Science Question in Feminism and the Privilege of Partial Perspective // Feminist Studies. – 1988. – Vol. 14, no. 3. – P. 575–599. – DOI: 10.2307/3178066.

62. Lave J., Wenger E. Situated Learning: Legitimate Peripheral Participation. – Cambridge : Cambridge University Press, 1991. – ISBN: 978-0-521-41308-4. – DOI: 10.1017/CBO9780511815355.

63. Wenger E. Communities of Practice: Learning, Meaning, and Identity. – Cambridge : Cambridge University Press, 1998. – ISBN: 978-0-521-66363-2. – DOI: 10.1017/CBO9780511803932.

64. Acemoglu D., Kong D., Ozdaglar A.E. AI, Human Cognition and Knowledge Collapse // NBER Working Paper. – 2026. – No. 34910. – DOI: 10.3386/w34910.

65. Fraser N., Brierley L., Dey G. et al. The evolving role of preprints in the dissemination of COVID-19 research and their impact on the science communication landscape // PLoS Biology. – 2021. – Vol. 19, no. 4. – Article no. e3000959. – DOI: 10.1371/journal.pbio.3000959.

66. Розов М.А. Теория социальных эстафет и проблемы эпистемологии. – М.: Новый хронограф, 2008. – 352 с. – ISBN: 978-5-94881-056-0.

67. Ананин Д.П., Комаров Р.В., Реморенко И.М. «Когда честно – хорошо, для имитации – плохо»: стратегии использования генеративного искусственного интеллекта в российском вузе // Высшее образование в России. – 2025. – Т. 34, № 2. – С. 31–50. – DOI: 10.31992/0869-3617-2025-34-2-31-50.

68. Bearman M., Ajjawi R. Learning to work with the black box: Pedagogy for a world with artificial intelligence // British Journal of Educational Technology. – 2023. – Vol. 54, no. 5. – P. 1160–1173. – DOI: 10.1111/bjet.13337.

69. Tai J., Ajjawi R., Boud D. et al. Developing evaluative judgement: enabling students to make decisions about the quality of work // Higher Education. – 2018. – Vol. 76, no. 3. – P. 467–481. – DOI: 10.1007/s10734-017-0220-3.

70. Конколь М.М., Шишлова Е.Э. Трансформация образовательной субъектности студента университета в эпоху ИИ-технологий // Высшее образование в России. – 2026. – Т. 35, № 2. – С. 36–52. – DOI: 10.31992/0869-3617-2026-35-2-36-52.

71. Давлатова М.А., Сперанская М.В. Промпт-инжиниринг как ключевая компетенция в образовании: сущность, особенности и подходы к оцениванию // Высшее образование в России. – 2026. – Т. 35, № 2. – С. 53–73. – DOI: 10.31992/0869-3617-2026-35-2-53-73.