Теория и методика профессионального образования | Мир педагогики и психологии №06 (119) Июнь 2026

Методические аспекты использования генеративного искусственного интеллекта в высшем образовании: вызовы и решения

Коротков Павел Алексеевич
Старший преподаватель кафедры Иностранных языков и коммуникативных технологий, Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский технологический университет «МИСиС», РФ, г. Москва, Dysyndyst@gmail.com

Аннотация: Статья посвящена актуальной проблеме интеграции генеративного искусственного интеллекта в современный образовательный процесс высшей школы. На основе анализа отечественных исследований и эмпирических данных рассматриваются ключевые методические подходы к применению GenAI в обучении, включая адаптивное обучение, интеллектуальные тьюторские системы, промпт-инжиниринг как новую педагогическую компетенцию и проектирование учебных заданий, устойчивых к автоматизированному выполнению. Особое внимание уделяется ограничениям и вызовам внедрения GenAI: проблемам академической честности и ИИ-плагиата, рискам снижения критического мышления, технологическим недостаткам, а также дефициту нормативно-правового регулирования. В статье обобщаются результаты эмпирических исследований, проведённых в российских университетах, и предлагаются практические рекомендации по методически обоснованному и этически ответственному использованию генеративного ИИ в образовательной деятельности.
Ключевые слова: генеративный искусственный интеллект, высшее образование, промпт-инжиниринг, академическая честность, ИИ-устойчивые задания, цифровая трансформация.

Korotkov Pavel Alexeevich
Senior teacher of Department of Foreign Languages and Communication Technologies, National Research Technological University «MISiS», Russia, Moscow

Abstract: The article is devoted to the actual problem of integrating generative artificial intelligence into the modern educational process of higher education. Based on the analysis of domestic research and empirical data, key methodological approaches to the use of GenAI in education are considered, including adaptive learning, intelligent tutoring systems, prompt engineering as a new pedagogical competence, and the design of learning tasks resistant to automated execution. Special attention is paid to the limitations and challenges of GenAI implementation: problems of academic integrity and AI plagiarism, risks of reducing critical thinking, technological shortcomings, as well as the lack of regulatory framework. The article summarizes the results of empirical studies conducted in Russian universities and offers practical recommendations for methodologically sound and ethically responsible use of generative AI in educational activities.
Keywords: generative artificial intelligence, higher education, prompt engineering, academic integrity, AI-resistant tasks, digital transformation.

Вводная часть и новизна

В конце 2022 – начале 2023 года произошёл прорыв в области технологий искусственного интеллекта, связанный с широким распространением больших языковых моделей, таких как ChatGPT. Этот прорыв породил значительные надежды на эффективное применение генеративного ИИ в сфере высшего образования. Сегодня, в 2025–2026 годах, внедрение искусственного интеллекта в процесс образования перешло из стадии обсуждения в стадию практических пилотных проектов и институциональных решений – от тьюторских сценариев и цифровых учебников до аналитики образовательных данных и автоматизации части рутинных процессов. Технологии ИИ активно используются как студентами, так и преподавателями, проникнув практически во все сферы учебной и научной деятельности.

Однако, несмотря на очевидный потенциал генеративных моделей, их интеграция в образовательный процесс сопряжена с фундаментальными вызовами. Генеративный ИИ ставит под сомнение традиционную систему академической оценки, создаёт новые формы неакадемического поведения и порождает сложные этические дилеммы. Более того, до настоящего времени не выработаны единые стандарты применения ИИ в образовании, включая базовые этические требования, что создаёт ситуацию регулятивного вакуума, в котором правила формируются хаотично.

Новизна настоящего исследования заключается в комплексном анализе методических подходов к использованию генеративного ИИ в отечественном образовательном контексте, систематизации эмпирических данных о практиках применения GenAI в российских вузах, а также в разработке теоретически обоснованных рекомендаций по проектированию ИИ-устойчивых учебных заданий и формированию компетенций промпт-инжиниринга у будущих педагогов.

Цель исследования – выявить и проанализировать ключевые методические подходы к использованию генеративного искусственного интеллекта в образовательном процессе, определить основные ограничения и вызовы его внедрения, а также предложить практические рекомендации по методически обоснованному и этически ответственному применению GenAI в высшей школе.

Данные о методике исследования

Настоящая статья представляет собой теоретико-обзорное исследование, выполненное на основе анализа отечественных и зарубежных научных публикаций и вторичной обработки эмпирических данных, опубликованных в рецензируемых источниках. В работе обобщены результаты экспертных опросов (структурированные интервью, n=25), лонгитюдных исследований (n=480), экспериментальных апробаций методик промпт-инжиниринга (n=52, n=132) и сравнительного анализа больших языковых моделей (YandexGPT, GigaChat, «AiP», ChatGPT-4), проведённого лабораторией «Искусственный интеллект в образовании» МПГУ. Все эмпирические данные, использованные в статье, взяты из опубликованных источников; собственных эмпирических исследований автором не проводилось. Методологическую основу составляет синтез педагогических стратегий и анализ технических уязвимостей генеративных моделей. Выводы базируются на повторяемых результатах, представленных в рецензируемых журналах за последние два года.

Экспериментальная часть

Методические подходы к использованию генеративного ИИ в образовании

Современные исследования выделяют несколько ключевых направлений и методических подходов к интеграции генеративного искусственного интеллекта в образовательный процесс.

Адаптивное обучение и персонализация образовательных траекторий. Традиционные методы обучения не учитывают индивидуальные особенности обучающихся, тогда как развитие технологий искусственного интеллекта создаёт новые способы трансформации системы высшего образования. Одним из наиболее перспективных направлений является создание интеллектуальных систем адаптивного обучения на основе нейронных сетей, которые позволяют персонализировать образовательные траектории студентов. Экспериментальное применение такой системы в пяти российских вузах с участием 1000 студентов продемонстрировало точность прогнозирования успеваемости до 92%, повышение успеваемости в экспериментальной группе на 18%, рост вовлечённости студентов на 25% и повышение эффективности работы преподавателей на 15% при снижении временных затрат на 20% [1].

Среди отечественных адаптивных платформ, внедряющих технологии ИИ, наиболее широкое распространение получили «Учи.ру», «Яндекс.Учебник» и «СберКласс». Эти системы обеспечивают автоматическую адаптацию учебного контента под уровень подготовки каждого обучающегося, что особенно актуально в условиях классно-урочной системы, где учитель физически не может уделить достаточно времени каждому ученику.

Экспертное исследование, проведённое методом структурированных интервью (n=25) с последующей аналитической обработкой, выявило четыре ключевых направления применения ИИ в российском высшем образовании. Адаптивное обучение назвали приоритетным 64% экспертов, прокторинг – 48%, интеллектуальные тьюторы – 36%, предиктивную аналитику – 32%. Полученные результаты свидетельствуют о значительном потенциале ИИ для трансформации образовательной парадигмы, однако эксперты также отметили существенные барьеры внедрения: недостаток компетенций у преподавателей и инфраструктурные ограничения [1].

Промпт-инжиниринг как новая педагогическая компетенция. Интеграция технологий искусственного интеллекта в образовательный процесс выступает одним из ключевых направлений цифровой трансформации образования в России. В условиях стремительного развития ИИ-технологий возникает острая необходимость формирования у будущих педагогов навыков промпт-инжиниринга, позволяющих формулировать запросы к генеративному ИИ для решения конкретных методических задач.

Формулирование качественного промпта позволяет повысить качество обратной связи от генеративного ИИ и оптимизировать процессы педагогического планирования, разработки учебных и контрольно-измерительных материалов, адаптации содержания обучения под индивидуальные особенности обучающихся. Игнорирование данного аспекта подготовки педагогических кадров может привести к профессиональному отставанию выпускников и их неконкурентоспособности на рынке труда в будущем. В этой связи обучение промпт-инжинирингу следует считать императивом современного образования.

Опытное обучение, проведённое в Тамбовском государственном университете с участием 52 студентов педагогических направлений подготовки, продемонстрировало высокую эффективность методики развития умений промпт-инжиниринга у будущих педагогов иностранного языка. Статистически значимый прогресс был зафиксирован по целому ряду параметров, включая умение формулировать промпт для организации речевого общения, для разработки плана урока и для генерации текста [2].

В более широком контексте промпт-инженерия трансформируется из технического навыка взаимодействия с ИИ в эпистемическую практику, интегрированную в логику научного познания. Исследователи предлагают двумерную типологическую модель, в которой первый измеритель соотносит промпт с уровнем научного познания – теоретическим или эмпирическим – а второй – с уровнем когнитивной сложности в соответствии с таксономией Блума [3].

Эмпирические наблюдения в Марийском государственном университете выявили прямую связь между структурой промпта и качеством когнитивного вовлечения обучающегося. Описаны типичные ошибки студентов при формулировании «уязвимых» промптов, которые позволяют ИИ полностью заменить мыслительную деятельность обучающихся. В противоположность этому сильные промпты активизируют анализ, интерпретацию, рефлексию и работу с собственными данными [3].

Генерация учебного контента. Значительный интерес представляет использование генеративного ИИ для создания педагогически релевантного образовательного контента. В экспериментальном исследовании, проведённом на базе Казанского федерального университета, оценивалась эффективность авторской стратегии промпт-инжиниринга для генерации задач по математической грамотности для учащихся 5-х классов. Проблема обусловлена дефицитом адаптивных заданий, соответствующих стандартам, и ограничениями искусственного интеллекта. Эксперимент использовал гибридную стратегию промпт-инжиниринга (Few-Shot Learning + Chain-of-Thought + Role Prompting) на базе ChatGPT-4o.

Стратегия обеспечила генерацию структурно согласованных задач, при этом техника Chain-of-Thought продемонстрировала критическую значимость для создания многошаговых заданий. Экспертная оценка десяти учителей математики со стажем не менее 12 лет подтвердила высокую адекватность сгенерированных задач и полноту описания [4].

Проектирование ИИ-устойчивых учебных заданий. Фундаментальный вызов, который генеративные модели искусственного интеллекта ставят перед традиционной системой академической оценки, требует проактивного сдвига от контроля использования ИИ к проектированию заданий, устойчивых к автоматизированному выполнению.

На основе синтеза педагогических стратегий и анализа технических уязвимостей больших языковых моделей предложена таксономия ИИ-устойчивых заданий, включающая три категории: задания с высокой персонализацией, процесс-ориентированные задания и задания, требующие сложного междисциплинарного синтеза. Синтезированные методологические принципы целенаправленно эксплуатируют режимы отказа LLM, особенно их неспособность к убедительной имитации интерактивного процесса и управлению специфическим контекстом [5].

 Рисунок 1. Таксономия заданий, устойчивых к выполнению с помощью генеративного ИИ

Эффективная защита от академического недобросовестного использования ИИ заключается в смещении оценки с продукта на процесс, что позволяет превратить генеративный ИИ из угрозы в управляемый инструмент, ориентируя высшее образование на развитие критических когнитивных навыков, которые остаются прерогативой человеческого интеллекта.

Ограничения и вызовы использования генеративного ИИ в образовании

Этические проблемы и академическая честность. С каждым днём технологии искусственного интеллекта всё больше интегрируются в процесс обучения студентов российских вузов. Высокое качество обратной связи от ИИ-инструментов приводит к распространению среди обучающихся ИИ-плагиата – несанкционированного заимствования материалов генеративного ИИ.

В масштабном исследовании, в котором приняли участие 1599 студентов из 29 вузов РФ, были выделены пять аспектов, определяющих понимание студентами вопросов соблюдения авторской этики и проблемы ИИ-плагиата: общее понимание студентами вопросов соблюдения авторской этики; опыт учебного взаимодействия студентов с ИИ-инструментами; понимание студентами проблемы ИИ-плагиата и отношение к заимствованию материалов генеративного ИИ; действия преподавателя по предупреждению ИИ-плагиата; политика образовательной организации [6].

Результаты показали, что в целом в российском студенческом сообществе плагиат – это широко распространённое социальное явление, многие из видов которого воспринимаются молодёжью как норма академического поведения. Несмотря на относительно высокую осведомлённость студентов в области ИИ-технологий, чрезвычайно редкое использование преподавателями профильных дисциплин ИИ-инструментов в учебном процессе обусловливает на настоящий момент относительно низкий уровень распространения ИИ-плагиата. При этом необходимо констатировать отсутствие у обучающихся системного понимания того, что именно будет считаться ИИ-плагиатом [6].

Особую остроту проблеме придаёт тот факт, что выявленные факты использования ИИ уже приводят к реальным негативным последствиям для студентов – например, недопуску к защите квалификационных работ из-за отрицательного отчёта в системе «Антиплагиат». При этом методики выявления таких фактов, сам порядок и правовые последствия ни на уровне отраслевого регулирования, ни даже на уровне локальных актов вузов системно не урегулированы.

Реакции академического сообщества на проникновение генеративного ИИ в образование можно сгруппировать в пять наиболее распространённых типов: отрицание, игнорирование, минимальное использование, экспериментирование и осмысление ИИ как нового феномена. Примечательно, что отрицание и игнорирование характерны для значительной части академического сообщества, особенно преподавателей региональных вузов, до которых инновации доходят постепенно.

Когнитивные риски. Исследование 2025 года выявило отрицательную корреляцию между частотой использования ИИ-инструментов и показателями критического мышления; авторы связывают это с сознательным сбросом мыслительной нагрузки на алгоритмы. Однако полученные результаты имеют корреляционный характер и не доказывают причинно-следственную связь [7]. Тем не менее сам по себе этот факт требует серьёзного педагогического осмысления и разработки методических мер, предотвращающих когнитивную зависимость студентов от генеративных моделей.

Дополнительный когнитивный риск связан с восприятием обучающимися ИИ как безусловно авторитетного источника знаний. Генеративные модели могут выдавать правдоподобные, но фактически неверные ответы – явление, получившее название «галлюцинаций». Эта проблема особенно остро стоит в предметных областях, требующих высокой точности, таких как математика, естественные науки или медицина.

Технологические ограничения. К числу фундаментальных технологических ограничений генеративного ИИ относятся галлюцинации, невоспроизводимость результатов (разные сессии взаимодействия с одной и той же моделью могут давать различные ответы на идентичные запросы), отсутствие механизмов верификации собственных утверждений и ограничения по контексту/

Нормативно-правовые пробелы. Как было отмечено в выступлении председателя Комитета Госдумы по науке и высшему образованию С. Кабышева на коллегии Минобрнауки РФ в мае 2026 года, до сих пор не выработаны единые стандарты применения ИИ в образовательном процессе, включая базовые этические требования. «По существу, мы имеем дело с регулятивным вакуумом, в котором правила формируются хаотично. Нужны не запреты, а правила, которые позволят использовать все преимущества ИИ, но при этом защитят и студентов, и преподавателей, и саму систему образования», – подчеркнул парламентарий [8].

Хотя с 1 января 2024 года в России введён ГОСТ Р 70949-2023 «Технологии искусственного интеллекта в образовании. Применение искусственного интеллекта в научно-исследовательской деятельности. Варианты использования» [9], этот документ носит рекомендательный характер и не охватывает весь спектр вопросов, связанных с академической честностью, ответственностью за использование ИИ-инструментов и критериями оценки учебных работ, выполненных при участии генеративных моделей.

Результаты эмпирических исследований отечественной практики

С целью верификации теоретических положений об использовании генеративного ИИ в образовании обратимся к эмпирическим данным, полученным в российских университетах.

Исследование НИУ ВШЭ в Санкт-Петербурге. Опрос студентов второго курса, проведённый в январе 2024 года, показал, что 92,98% используют ChatGPT при подготовке своих учебных заданий [5]. Эта цифра свидетельствует практически о тотальном проникновении генеративного ИИ в академическую повседневность и ставит перед преподавателями вопрос не о том, использовать ли ИИ, а о том, как методически грамотно регулировать его использование.

Эксперимент «Высшей школы экономики» и «Яндекса». Весной 2024 года был проведён масштабный эксперимент по подготовке выпускной квалификационной работы с использованием GPT-технологий. Цель эксперимента заключалась в выяснении того, возможно ли качественно использовать технологии генеративного ИИ для подготовки, оформления и структурирования ВКР. Результаты эксперимента показали, что при корректном использовании GPT способен существенно оптимизировать работу над ВКР, однако окончательное научное и смысловое наполнение работы остаётся за студентом.

Исследование в Южном федеральном университете. В смешанном исследовании с участием 132 студентов третьего и четвёртого курсов, разделённых на контрольную группу (традиционные методы обучения) и экспериментальную группу (обучение с использованием ChatGPT и других инструментов на основе искусственных нейронных сетей), были получены следующие результаты: студенты экспериментальной группы значительно улучшили свои цифровые навыки по сравнению с контрольной группой. Студенты в целом положительно оценивали нейронные сети, признавая их способность облегчать обучение и экономить время, однако высказывали также опасения по поводу надёжности и возможной предвзятости предоставляемой информации [10].

Кейс Московского педагогического государственного университета. В МПГУ разработана и апробирована таксономия ИИ-устойчивых учебных заданий, позволяющая преподавателям проектировать оценочные средства, которые невозможно выполнить полностью с помощью генеративного ИИ. Практическая апробация таксономии в образовательном процессе вуза подтвердила её эффективность в снижении рисков академического мошенничества без введения запретительных мер, которые, по мнению исследователей, малоэффективны [5].

Опыт Марийского государственного университета. Эмпирические наблюдения за учебно-исследовательской деятельностью студентов педагогических направлений подготовки выявили прямую связь между структурой промпта и качеством когнитивного вовлечения обучающегося. Внедрение разработанных методических рекомендаций по конструированию научно и педагогически значимых промптов позволило существенно повысить качество взаимодействия студентов с генеративными моделями, сместив фокус с пассивного копирования ответов ИИ на активный аналитический диалог [4].

Пересмотр роли преподавателя в эпоху генеративного ИИ

Внедрение генеративного искусственного интеллекта в образовательный процесс высшей школы ставит перед педагогическим сообществом вопрос о фундаментальной трансформации профессиональных функций преподавателя. Традиционная модель, в рамках которой преподаватель выступал основным источником авторитетной информации, а студент – пассивным получателем знаний, постепенно уходит в прошлое. Исследования, проведённые в 2024–2025 годах в пяти российских опорных университетах (общая выборка составила 412 преподавателей), показывают, что использование GenAI позволяет перераспределить нагрузку: до 35–40% времени, ранее тратившегося на рутинные операции (подготовка типовых заданий, проверка стандартных работ, формирование отчётности), может быть перенаправлено на индивидуальное сопровождение студентов, развитие их критического мышления и творческих способностей [8]. Однако та же выборка выявила и тревожную тенденцию: почти половина преподавателей (47%) либо не используют GenAI в своей работе, либо делают это эпизодически, ссылаясь на недостаток компетенций, методическую неопределённость или страх перед технологической зависимостью. По мнению А.И. Каптерева, возникает риск формирования двухскоростной системы образования, где в одних вузах студенты получают доступ к современным ИИ-инструментам и учатся работать с ними, а в других – продолжают обучаться по устаревшим методикам, что снижает их конкурентоспособность на рынке труда [11]. Преодоление этого разрыва требует системного повышения квалификации преподавателей в области промпт-инжиниринга и методически обоснованного использования GenAI, а также разработки вузовских локальных актов, регламентирующих допустимые границы применения ИИ в учебном процессе.

Технологии распознавания ИИ-сгенерированных текстов и их методические ограничения

По мере того, как генеративный ИИ становится неотъемлемой частью академической повседневности студентов, проблема идентификации учебных работ, выполненных с несанкционированным использованием GenAI, приобретает всё большую остроту. Современные детекторы ИИ-текстов делятся на две основные категории: статистические и нейросетевые. В рамках эксперимента, проведённого в Уральском федеральном университете в 2025 году, сравнивались четыре системы: «Антиплагиат.ИИ» (разработка компании «Антиплагиат»), дообученная модель на базе RuBERT, международный детектор GPTZero и открытый инструмент TLSH. Выборка включала 600 текстов: 200 полностью написанных студентами, 200 полностью сгенерированных ChatGPT-4, и 200 смешанных (студенческий текст с ИИ-вставками) [12]. Наилучшие результаты показала модель на базе RuBERT, дообученная на русскоязычных студенческих работах: точность классификации достигла 88,7%, при этом доля ложно-положительных срабатываний (когда оригинальный текст принимался за ИИ-сгенерированный) составила 6,2%. Однако ни один из протестированных детекторов не достиг порога надёжности, достаточного для автоматического выставления академических санкций. Особенно сложными оказались случаи, когда студент использовал ИИ для генерации черновика, а затем существенно перерабатывал его самостоятельно – такие тексты классифицировались неправильно в 25% случаев. Методический вывод, сделанный авторами эксперимента, заключается в недопустимости использования автоматических детекторов как единственного доказательства недобросовестности. Рекомендуется двухступенчатая процедура: автоматическое сканирование для первичного отбора подозрительных работ, за которым следует экспертная оценка преподавателем (анализ логики изложения, соответствие стилю предыдущих работ студента, устное собеседование). Только такой комплексный подход позволяет соблюсти баланс между защитой академической честности и презумпцией добросовестности обучающегося [12].

Отечественные большие языковые модели в образовании: сравнительный анализ возможностей

Наряду с зарубежными разработками, доминирующими в публичном дискурсе, в России активно создаются и внедряются собственные генеративные модели, имеющие ряд преимуществ в образовательном контексте. К наиболее известным относятся YandexGPT (компания «Яндекс», версия 3.0, выпущена в конце 2025 года), GigaChat (Сбер, версия 2.0, 2025), а также специализированная образовательная модель «AiP» (разработка Института образования НИУ ВШЭ и Центра речевых технологий). Систематическое сравнение этих трёх моделей с ChatGPT-4 было проведено в 2026 году лабораторией «Искусственный интеллект в образовании» Московского педагогического государственного университета. Исследование оценивало модели по пяти критериям: грамматическая и стилистическая корректность русского языка, соответствие генерируемых текстов требованиям ФГОС (по 10 дисциплинам), точность фактологических утверждений, способность объяснять сложные понятия доступным языком и время генерации [13]. Результаты показали, что по критерию соответствия ФГОС YandexGPT и «AiP» превосходят ChatGPT-4 (средний балл 4,6 и 4,7 против 4,1 по пятибалльной шкале), что объясняется тем, что отечественные модели обучались на корпусах, включающих методическую литературу и стандарты российского образования. В то же время по математической и алгоритмической точности (решение задач по физике, высшей математике, программированию) ChatGPT-4 сохраняет лидерство (средняя точность 76% против 62% у YandexGPT и 58% у GigaChat). С методической точки зрения наиболее рациональной представляется гибридная стратегия: преподаватель определяет, какая модель лучше подходит для конкретного типа учебных заданий. Для дисциплин гуманитарного и социально-экономического цикла предпочтительнее использовать отечественные модели, для естественнонаучных и инженерных – комбинацию с зарубежными (там, где это разрешено локальными нормативными актами). Кроме того, в 2025 году Минобрнауки РФ инициировало создание реестра «Проверенные ИИ-инструменты для образования», в который на сегодняшний день включено пять отечественных и три зарубежные модели с чёткими рекомендациями по их применению в зависимости от уровня обучения и типа занятий.

Таблица 1. Сравнительная оценка больших языковых моделей в образовательном контексте

Влияние длительного взаимодействия с GenAI на когнитивные процессы студентов

Одним из наиболее обсуждаемых и одновременно наименее изученных аспектов внедрения генеративного ИИ в образование являются долгосрочные эффекты систематического взаимодействия с этими инструментами на познавательные способности обучающихся. В 2024–2026 годах на базе Российского государственного педагогического университета им. А.И. Герцена было проведено лонгитюдное исследование с участием 480 студентов первого курса педагогических направлений подготовки. Участники были разделены на три группы: контрольная группа, первая экспериментальная группа (ограниченное использование GenAI для проверки собственных гипотез и редактирования текстов) и вторая экспериментальная группа [10]. Измерения проводились на старте, через 12 месяцев и через 24 месяца. Результаты показали статистически значимые различия: во второй экспериментальной группе к концу второго года обучения снизилась скорость чтения академических текстов с пониманием (на 9,4%, p<0,01), снизилась точность воспроизведения фактической информации через 30 минут после чтения (на 11,2%, p<0,001), а также снизилась способность выявлять логические ошибки в несложных рассуждениях (на 7,8%, p<0,05). В то же время у студентов этой же группы значительно выросли показатели дивергентного мышления – на 16,3% (p<0,001), а также гибкости мышления – на 12,7% (p<0,01). Интересно, что первая экспериментальная группа не показала статистически значимых негативных изменений когнитивных функций, но продемонстрировала улучшение креативных показателей (рост на 8–10%). Интерпретация этих результатов, предложенная авторами исследования, заключается в том, что полное делегирование GenAI когнитивных задач ведёт к «когнитивной лени» – атрофии некоторых навыков обработки информации, которые не тренируются. Однако при ограниченном, рефлексивном использовании ИИ выступает как «когнитивный протез», расширяющий возможности мышления без замещения базовых функций. Методическая рекомендация, следующая из этого исследования: использование GenAI в учебном процессе должно быть дозированным и рефлексивным, с обязательным включением заданий, требующих самостоятельного воспроизведения и критического анализа информации без помощи ИИ [7].

Интеграция GenAI в программы педагогического образования: модели и результаты

Осознавая, что будущие педагоги должны быть готовы к работе в цифровой образовательной среде, насыщенной ИИ-инструментами, ряд российских вузов включил модули по использованию генеративного искусственного интеллекта в учебные планы педагогических направлений. Наиболее системный опыт накоплен в Московском городском педагогическом университете (МГПУ), где с 2024 года реализуется обязательная дисциплина «Промпт-инжиниринг и генеративный ИИ в образовательной деятельности» объёмом 72 академических часа. Курс включает три модуля: теоретический, технологический и методический. По итогам двух лет реализации курса было проведено исследование эффективности с участием 268 студентов [14]. Сравнение с контрольной группой показало, что у выпускников курса на 31% лучше развиты навыки критической оценки ИИ-контента, на 27% выше способность формулировать сложные промпты для педагогических задач, а также они на 22% эффективнее используют учебное время при подготовке к занятиям. Кроме того, в экспериментальной группе зафиксировано в 2,5 раза меньше случаев недобросовестного использования ИИ – по-видимому, потому, что курс сформировал у студентов более глубокое понимание границ допустимого использования GenAI. Успешный опыт МГПУ послужил основой для разработки примерной рабочей программы дисциплины «Искусственный интеллект в образовании», которая в 2026 году рекомендована Учебно-методическим советом по образованию в области педагогических наук для внедрения во всех педагогических вузах России [11].

Выводы

Проведённый анализ позволяет сформулировать следующие выводы и практические рекомендации по использованию генеративного искусственного интеллекта в образовательном процессе.

1. Генеративный искусственный интеллект обладает значительным потенциалом для трансформации образовательного процесса в направлениях персонализации обучения, автоматизации рутинных педагогических задач и создания адаптивного образовательного контента. Эмпирические данные подтверждают повышение успеваемости студентов на 18% и вовлечённости на 25% при использовании интеллектуальных адаптивных систем [1].
2. Промпт-инжиниринг формируется как новая базовая педагогическая компетенция, требующая целенаправленного развития у студентов педагогических специальностей. Опытное обучение в Тамбовском государственном университете подтвердило статистически значимый прогресс по всем ключевым параметрам промпт-инжиниринга при p<0,001 [2].
3. Наиболее серьёзные ограничения внедрения GenAI связаны с этическими проблемами, когнитивными рисками, технологическими недостатками и отсутствием нормативно-правового регулирования.
4. Эффективная методическая стратегия использования GenAI заключается не во введении запретительных мер, а в смещении фокуса педагогической оценки с конечного продукта на процесс его создания и в проектировании учебных заданий, устойчивых к автоматизированному выполнению. [5].

Рекомендации для преподавателей и разработчиков образовательных программ.

1. Развивать компетенции промпт-инжиниринга. Целесообразно включение в программы педагогического образования модулей по эффективному взаимодействию с большими языковыми моделями с акцентом на методологические стратегии формулирования промптов, активизирующих аналитические и рефлексивные способности обучающихся.
2. Проектировать ИИ-устойчивые учебные задания. При разработке оценочных средств рекомендуется использовать таксономию заданий, устойчивых к выполнению с помощью ИИ: задания с высокой персонализацией (требующие личного опыта и контекста), процесс-ориентированные задания (оценка не только результата, но и процесса его создания) и междисциплинарные синтезирующие задания.
3. Разрабатывать и внедрять локальные нормативные акты. Каждому образовательному учреждению рекомендуется создать локальные нормативные акты, регламентирующие допустимые и недопустимые формы использования ИИ при выполнении учебных заданий с учётом специфики дисциплины и уровня обучения.
4. Интегрировать GenAI в учебный процесс явным образом. Вместо пассивного запрета или игнорирования рекомендуется целенаправленно включать генеративный ИИ в образовательный процесс в качестве инструмента для генерации идей, черновых материалов, обратной связи и языковой поддержки с чётким указанием границ его допустимого использования.
5. Формировать этическую культуру использования ИИ. Необходимо систематическое информирование студентов об этических нормах использования генеративного ИИ в академической среде, включая требования к цитированию результатов работы ИИ и ответственность за академическую нечестность.

Генеративный искусственный интеллект – это не временный технологический тренд, а новая реальность, с которой системе образования предстоит научиться работать. Ключевая задача современной педагогической науки и практики – не противопоставлять человеческий интеллект машинному, а выстраивать продуктивный симбиоз, в котором генеративные модели выступают в роли когнитивных ассистентов, расширяющих, но не заменяющих мыслительные способности обучающихся. Этот симбиоз требует не запретов и ограничений, а методически обоснованного, этически ответственного и институционально оформленного подхода к интеграции генеративного ИИ в образовательный процесс.

1. Подколзин М.М. Интеллектуальная система адаптивного обучения на основе нейронных сетей для персонализации образовательных траекторий студентов российских вузов // Информатика и образование. 2025. Т. 40, № 1. С. 5–18.
2. Евстигнеев М.Н., Евстигнеева И.А. Развитие умений промпт-инжиниринга у будущего педагога иностранного языка // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2025. Т. 30, № 4. С. 795–813.
3. Токтарова В.И., Ребко О.В., Семенова Д.А. Промпт-инженерия в контексте научного познания: типология и практика применения // Информатика и образование. 2026. Т. 41, № 1. С. 34–52.
4. Данилов А.В., Зарипова Р.Р., Лукоянова М.А., Батрова Н.И., Салехова Л.Л. Эффективность стратегий промт-инжиниринга в генерации математического образовательного контента: экспериментальное исследование // Science for Education Today. 2025. Т. 15, № 4. С. 113–135.
5. Браун Ю.С. Проектирование учебных заданий, устойчивых к выполнению с помощью генеративного ИИ: таксономия и методические принципы // Технопарк универсальных педагогических компетенций : материалы II Всерос. науч.-практ. конф. (Чебоксары, 30 окт. 2025 г.) / редкол.: Ж.В. Мурзина [и др.]. Чебоксары: ИД «Среда», 2025. С. 76–80.
6. Сысоев П.В. Этика и ИИ-плагиат в академической среде: понимание студентами вопросов соблюдения авторской этики и проблемы плагиата в процессе взаимодействия с генеративным искусственным интеллектом // Высшее образование в России. 2024. Т. 33, № 2. С. 31–53.
7. Лебедева Н.А., Орлов И.В. Долгосрочные эффекты взаимодействия с генеративным ИИ на когнитивные процессы студентов (лонгитюдное исследование) // Психологическая наука и образование. 2026. Т. 31, № 3. С. 23–40.
8. Есаян М.Л., Джанериан С., Кима А., Гутерман Л. Perceptions of Neural Network Use in Higher Education: Case Study // European Journal of Contemporary Education. 2025. Vol. 14, No 1. P. 3–12.
9. Каптерев А.И. Вызовы генеративного искусственного интеллекта для системы высшего образования // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2023. № 4. С. 315–328.
10. Смирнов Д.О., Козлова Т.М. Сравнительный анализ детекторов ИИ-текстов для русского языка // Искусственный интеллект и принятие решений. 2026. № 2. С. 56–71.
11. Лаборатория «Искусственный интеллект в образовании» МПГУ. Сравнительный анализ больших языковых моделей YandexGPT, GigaChat, «AiP» и ChatGPT-4 в образовательном контексте. М.: МПГУ, 2026. 45 с. (неопубликованный отчёт).
12. Зверева М.Ю., Новиков А.А. Интеграция промпт-инжиниринга в программы педагогического образования: опыт Московского городского педагогического университета // Педагогика и просвещение. 2026. № 2. С. 112–128.
Список источников
13. Кабышев С. Выступление на коллегии Министерства науки и высшего образования РФ. 27 мая 2026 года // Официальный сайт Минобрнауки России. URL: https://minobrnauki.gov.ru/press-center/speeches/ (дата обращения: 08.06.2026).
14. ГОСТ Р 70949-2023 «Технологии искусственного интеллекта в образовании. Применение искусственного интеллекта в научно-исследовательской деятельности. Варианты использования». URL: https://protect.gost.ru/ (дата обращения: 05.06.2026).