База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Образователно развитие

Създадена 2026-10-27 · Актуализирана 2026-10-27

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Образователно развитие (известно и като развитие на преподавателите) - процесите, програмите и институционалните подкрепи, които помагат на преподавателите да развият уменията, увереността и професионалната идентичност да преподават ефективно с AI. Образователното развитие обхваща индивидуалното обучение, преработването на учебната програма, промяната в институционалната политика и културната работа по осмисляне на това какво означава GenAI за академичната професия.

Въпроси за размисъл

  • Ако преподаватели от един и същ департамент описват AI от една страна като човекоподобен „асистент“, а от друга като обикновен „инструмент“ или „търсачка“, може ли програма за обучение наистина да успее, преди тези основни ментални модели да бъдат изведени наяве? Какво би могло да се случи, ако развитието пропусне тази стъпка?
  • Образователното развитие често се третира като запълване на дефицит в умения - научете преподавателите на инструментите и те ще ги приемат. Но някои изследвания рамкират интеграцията на GenAI като промяна на ниво идентичност („какъв е смисълът да преподаваш в свят с GenAI?“). Кое рамкиране смятате за по-точно и какви различни действия предполага всяко от тях?
  • Рамките за готовност като EPIQ-AI разделят готовността на преподавателите на епистемична, педагогическа, институционална и домейн за качество и съответствие. Ако готовността е проблем на социотехническо съответствие, а не индивидуален дефицит на умения, какво казва това за това къде един самотен „AI семинар“ вероятно ще се провали?
  • Кога сте усещали, че собствените ви допускания за нова технология са изведени наяве и са се променили - чрез дискусия, метафора или споделен език, а не чрез инструкция? Каква роля според вас играят споделеният език и анализът на метафори в подпомагането на преподавателите да осмислят AI?
  • Представете си нискотехнологичен „семинар за метафори“, в който преподаватели, служители и студенти формулират дали AI им се струва швейцарско ножче, помощник, черна кутия или конкурент. Може ли извеждането на страховете наяве (включително страха, че AI ще замени преподавателските роли) да направи повече за приемането от по-техническото обучение?

Въведение

Образователното развитие е професионалната и институционалната работа, чрез която преподавателите изграждат способността да проектират, преподават и оценяват добре - и в ерата на AI то се превърна в предварително условие всяка педагогическа промяна да даде резултат. Концепцията обхваща индивида (AI грамотност, увереност, компетентност, нагласи) и институцията (стандарти, политика, осигуряване на качеството и съответствие между заявените очаквания за AI и действителния дизайн на оценяването). Повтаряща се находка в цялата тази база знания е, че доказателствата за ефективна практика значително изпреварват това, което повечето институции са внедрили, което прави работата по развитие - а не повече първични изследвания - ограничаващият фактор. Науките за обучението произвеждат находките, които тази работа пренася: там, където тази област установява емпирично как хората се учат и кои дизайни променят резултатите, образователното развитие е институционалната практика, която придвижва такива доказателства към това как преподавателите действително преподават и оценяват. Работата му обаче е ограничена от институционален ръб: развитието изгражда способност у персонала вътре в институцията, докато инструментите, които след това се иска от този персонал да приеме, обикновено се изграждат извън нея от разработчици на образователни технологии, чиито решения за дизайн и доставка - настройки по подразбиране, конфигурируемост, онова, което оцелява след финансирането - пристигат като ограничения за програмата, а не като нейни продукти.

Образователното развитие в ерата на AI

  • Рамки за готовност: Рамката EPIQ-AI идентифицира четири домейна на готовност: епистемичен, педагогически, институционален и качество и съответствие. Готовността на преподавателите е проблем на социотехническо съответствие, а не само индивидуален дефицит на умения.

  • Проверете какво описват нивата на една рамка, преди да я приемете. В 16 институционално одобрени рамки за AI компетентност употребата на AI, оценяването на изхода и прилагането в предметната област бяха съдържателни и в 16-те, докато формулирането на проблем (7), компетентността за данни (9) и създаването на AI (8) не бяха; нивата на владеене също описват развитие на обучаемия, професионална роля или степен, така че не са пряко сравними (Fitsilis (2026)).

  • Стандарти за интеграция на технологии: Crompton et al. използват изследване, базирано на дизайн, за да разработят стандарти за преподаватели за интеграция на технологии (вкл. AI) в институциите за висше образование.

  • Приемане и увереност: Изследването на приемането на AI от учителите идентифицира опасенията, подкрепата, увереността и нагласите като ключови предиктори. Програмите за развитие на преподавателите трябва да обхващат и четирите.

  • Интеграция в учебната програма: Рамките за институционална промяна и реформата на оценяването изискват преподавателите да преработят курсовете, а не само да добавят AI инструменти.

  • Програми за обучение: Рамките за повишаване на квалификацията с AI и обучението на бъдещи учители по математика, базирано на TPACK дават модели за структурирано AI образование на преподаватели.

  • Опосредствана от AI професионална рефлексия. Моделът на рефлексивния триъгълник поставя AI като когнитивен медиатор в саморефлексията, съвместната рефлексия и общностната рефлексия в професионална учебна общност, изпитан в четириседмичен случай за осъществимост с шест учители; границата, която той очертава, е, че индивидуалното прозрение не се превръща автоматично в споделено професионално знание (Nguyen (2026)).

  • Управление и политика: Анализът на институционалната AI политика документира разликата между институционалните амбиции и капацитета за подкрепа на преподавателите.

  • AI грамотността е институционално невидима. Систематичен преглед на 32 проучвания за AI грамотността на учителите по езици установява, че тя отсъства от моделите на натоварване, политиките за повишение и разпределението на ресурси, като развитието е фрагментирано, а отчетността е разпръсната между институции и агенции - така че развитието на грамотността по подразбиране остава индивидуално усилие, а не структурна подкрепа (Deng, Çelik & Duran, 2026).

Метафори и споделен език в образователното развитие

Преподавателите носят хетерогенни, често дълбоко амбивалентни ментални модели за AI, и ефективното развитие трябва да ги изведе наяве и да работи с тях. Gerhardt et al. показват, че преподавателите по инженерство рамкират AI чрез метафори, които едновременно конструират и ограничават разбирането (AI като човекоподобен „асистент“ срещу „инструмент“ или „търсачка“); тъй като преподавателите в един и същ департамент често държат фундаментално различни концептуализации, споделеният, точен език за GAI е предварително условие за ефективно развитие на преподавателите и за продуктивни департаментни дискусии за приемането.

Практичен метод за извеждане на тези ментални модели наяве е семинарът за анализ на метафори. Vallis, Wilson & Casey (2025) проектират и валидират нискотехнологичен, съвместен семинар за преподаватели, служители и студенти, в който те формулират своите метафори за генеративния AI. Метафорите на участниците се групират в четири категории - Функции (инструментални: „швейцарско ножче“), Роли (човекоподобни: „помощник“, „приятел-враг“), Качества (непознаваеми: „черна кутия“, „хлъзгав наклон“) и Самостоятелност (заплашителни: „конкурент“, „зловещ робот“) - извеждайки наяве устойчиви напрежения между човешка и машинна самостоятелност и между познатото и непознаваемото. Семинарът помогна на участниците да изведат допусканията си наяве, да се свържат помежду си през ролите, да се почувстват „не сами“ и да помислят за етиката на GenAI, без да изисква техническа експертиза. Като инструмент за развитие той дава на дизайнерите на програми начин с ниска бариера да изведат допусканията на екипа наяве преди преработването на оценяването или въвеждането на политика, и да се обърнат директно към страховете - включително страха, че AI ще замени преподавателските роли.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI като работа по идентичността, а не само повишаване на квалификацията

Информиран от теорията за праговите концепции възглед преформулира интеграцията на GenAI като онтологична трансформация за преподавателите, а не като дефицит на умения. Прилагайки теорията на праговите концепции (Meyer & Land), Laidlaw твърди, че GenAI проявява всички пет характеристики на праг - трансформативна (реконструира допусканията за оценяването, педагогиката и професионалната роля), проблемна (нарушава вярванията за оригиналността, човешката самостоятелност и връзката усилие-постижение), необратима, интегративна (свързва технология, педагогика, епистемология и идентичност) и ограничена в обхват (свободното владеене на GenAI се превръща в нов маркер за професионална актуалност).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

В този смисъл преподавателите, които питат „какъв е смисълът да преподаваш в свят с GenAI?“, не са с дефицит на компетентност; те са в лиминална фаза на преминаване на праг, в която тревожността, съпротивата и объркването са необходими части от трансформацията, а не пречки за премахване. Обучението, базирано на умения, което отговаря на въпрос за компетентност, който преподавателите не задават, може да остане периферно за истинската трансформация, а добронамереното управление може да се изроди в „илюзия за налагане“ - съобщаване на правила, вместо подкрепа за промяната.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Дизайнерско следствие: допълнете (не заменяйте) изграждането на умения с практики, подкрепящи идентичността - отворени сесии с въпроси за идентичността вместо технически демонстрации, водене на текущи дисциплинарно специфични кохорти, в които преподавателите изследват какво означава GenAI за целта на тяхната област, създаване на структури за взаимно менторство, които уважават различните срокове на трансформация, и разграничаване на основаното на страх колебание (което печели от подкрепа) от принципно неприемане, основано на легитимни дисциплинарни ценности (което заслужава уважение).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Моделът на семинара за метафори по-горе е една конкретна реализация на това: вместо да започва от техническо повишаване на квалификацията, той открива с интерпретативния, натоварен с идентичност въпрос какво означава GenAI за участниците.

Емпирична подкрепа за рамкирането на идентичностната работа. Farazouli et al. (2026) дават преки качествени доказателства за този разказ: 24 шведски университетски преподаватели описват появата на GAI като тревожна и потискаща, съобщавайки за „състояние на уязвимост“ (ниска увереност, несигурност, страх „да не изостанеш от студентите“) и усещане за „заклещване“ между утопични и антиутопични дискурси. Ограничените им знания и опит, наред с чувствата на уязвимост, подчертават липсата на готовност у учителите да се ориентират в GAI, да го оценяват и приемат - и авторите твърдят, че институциите трябва да осигурят определени пространства и време, в които учителите да експериментират с GAI, да обменят идеи и съвместно да разработват практики и насоки на институционално, департаментно и курсово ниво. Това закрепва подхода на идентичностната работа и подкрепата в собствения отчетен опит на учителите, а не само в теорията.

Програма, която работи директно с въпроса за идентичността. Chick, Morello & Staffey (2026) докладват за шестседмичен летен институт, който извежда десет преподаватели от образованието, здравните науки, бизнеса и други програми от ниска AI грамотност (средна самооценка 1,89 по шестобална скала) до 60% съобщаващи висока увереност в насочването на използването на AI от студентите и 90% положителни възприятия, и отдават промяната по-малко на обучението по инструменти, отколкото на структурирано, безопасно експериментиране, което открива с екзистенциалния въпрос за професионалната стойност, а не с демонстрации. Промяната в речника е маркерът, на който те се опират: ранните формулировки на AI като „машина за измама“ или „обезчовечаваща сила“ отстъпват на „любопитен асистент“, а четирите им теми - от страх към любопитство, желание за етична яснота, която политическият вакуум не предостави, инклузивният дизайн като усилвател на равенството и преподавателите, преминаващи от пазачи към водачи - описват частична, съзнателна преориентация на преподавателската идентичност. Десетте преработки на капацитетните проекти са по-твърдото доказателство, като осем от десет поставят AI като скафолд, който подкрепя, а не замества мисленето, а симбиотичната педагогика на авторите формализира това, което участниците са изградили: допълващ дизайн, прозрачен процес, критична интеграция, вградено етично разсъждение и итеративно прецизиране. Уговорката е структурна, а не индивидуална: същите участници посочват противоречиви политически сигнали, лични абонаменти за инструменти и липса на освободено време за преработките, така че авторите заключават, че съпротивата никога не е била проблемът и че частичните отговори, които оставят политиката и инфраструктурата незасегнати, ще се провалят дори при ентусиазирана кохорта.

Развитието като медиация и първият въпрос, който задава разработчикът. Sithole (2026) изследва академичното развитие - по-старото име на областта и термина, използван от International Journal for Academic Development, който публикува статията - в две южноафрикански исторически необлагодетелствани институции, и преформулира разработчиците не като технически изпълнители, а като цифрови медиатори, работещи в три регистъра: педагогически (превеждане на AI дискурса във жизнеспособна практика за преподаване, учене и оценяване), етичен (съпоставяне на автоматизацията с академичната почтеност, а на иновацията - с грижата) и институционален (работа в лиминалното пространство между управленските императиви и академичните опасения). Две находки са важни за дизайна на програми. Първо, филтриращият въпрос е контекстуален преди да е технически - „какво означава това за преподаването тук, за нашите студенти от бедни училища?“ - и забавянето на приемането се брои като част от работата, а не като съпротива срещу нея. Второ, афективната цена е структурна, а не лична: от разработчиците се очакваше да демонстрират експертиза в инструменти, чиито последствия още изясняваха („чувствам се като имитатор. Уча AI в движение, но институцията очаква експертиза“), а отговорът им беше професионално обучение с връстници, насочено към преценка, а не към умение, включително съзнателни опити инструментите да бъдат разбити. Аналитичният принос на статията е да отдели цифровото неравенство, разпределителен проблем, от алгоритмичната колониалност, епистемичен проблем, който оцелява при пълен достъп - и да постави и двете вътре в глобалния юг и висшето образование там, където от работата по развитие се очаква да бъде трансформативна, а не неутрална услуга за подкрепа.

Вината и моралният дискомфорт като сигнал за развитие. Vassallo (2026) дава афективния аналог на разказа за идентичността. В анкета с академичен персонал в малтийски университет (109 отговора, дял от 3,5%, който статията чете като сам по себе си информативен за състоянието на етичния дебат) вината следваше прикриването, а не разкриването - ограничаването на употребата на AI поради неудобство корелираше с индекса за AI вина при r = 0,62, а избягването на разкриване пред колеги при r = 0,50 - докато формалното разкриване в академичните публикации не показваше връзка (r = 0,08). Само 31,2% виждаха ясни институционални насоки, а корелацията между тази яснота и по-ниската вина беше слаба (r = -0,25, p = 0,010), което статията чете като доказателство, че подходите отгоре надолу не могат да решат частично емоционален и идентичностен проблем. Препоръките й са пряко свързани с развитието: третирайте вината и опасенията за идентичността като нормални преходни реакции, а не като грешки за коригиране, използвайте структурирано експериментиране с ниски ставки, за да преведете персонала през предварителната тревожност, и се опирайте на менторство от висши академици, тъй като вината беше най-висока сред начинаещите (M = 2,71) и най-ниска сред висшите (M = 2,03).

Практически насоки за дизайнерите на програми

За разработчици на преподаватели, академични ръководители и инструкционни дизайнери, планиращи професионално развитие по AI, доказателствата в базата знания предполагат:

Обърнете се към четирите двигателя на приемането, а не само към знанието. Увереността, нагласите, подкрепата и опасенията предсказват дали преподавателите действително ще приемат AI - семинар само със знания, който ги пренебрегва, едва ли ще промени практиката. Проектирайте развитието така, че да изгражда увереност чрез практическа употреба, да осигурява текуща подкрепа (а не еднократно обучение) и активно да извежда наяве и да отговаря на опасенията на преподавателите.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Увереността и грамотността не са взаимозаменяеми цели: в SEM с 502 респонденти от университетски преподаватели AI грамотността беше доминиращият предиктор за благополучието с AI (β = 0,713), докато технологичната самоефективност допринесе малко (β = 0,082), а подкрепата достигаше до благополучието само индиректно (Liu et al. (2026)).

Третирайте търсенето на насоки и достатъчността на насоките като отделни проблеми. Преподавателите в един университет силно подкрепяха институционални мерки срещу неетична употреба на AI (M = 4,59), като същевременно оценяваха съществуващите насоки най-ниско (M = 2,99), и посочиха поверителността на данните и културната приобщаващост като най-слабите си знания - конкретна цел за професионално развитие (Bilgic & Sever, 2026).

Третирайте готовността като проблем на социотехническо съответствие. Рамката EPIQ-AI показва, че готовността на преподавателите обхваща епистемични, педагогически, институционални домейни и домейн за качество и съответствие. Програмите, които обучават само индивида, пропускат институционалните лостове (политика, натоварване, стимули, стандарти за качество), които позволяват или блокират промяната - приведете ги в съответствие наред с обучението.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Не приравнявайте инвестицията в инфраструктура с трансформация. В 125 проучвания институционалната инвестиция в GenAI инфраструктура и образователно развитие корелираше само слабо с действителната педагогическа промяна (r = 0,12), докато 60-70% от преподавателите се чувстваха неподготвени да интегрират GenAI - което прави развитието, а не доставките, ограничаващият фактор.(Rathnayake (2026))

Стремете се към преработка на учебната програма, а не към приемане на инструменти. Целта е преподавателите да преработват курсове и оценяване, а не просто да добавят AI инструменти. Основете професионалното развитие в работа по преработка на ниво курс и реформа на оценяването и дайте на преподавателите структурирани рамки за това (например скали за оценяване, рамки за институционална промяна).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Съберете селото, а не индивида. В интервюта с 12 академици и 17 студенти преработката на оценяването в ерата на GenAI надхвърли способностите на всеки отделен академик - посочени бяха негъвкави процеси, дълги срокове и тежест на натоварването - така че авторите предлагат екип на ниво програма, съчетаващ експертиза по дизайн на оценяването, GenAI, предметна област, програма и индустрия (Nicola-Richmond et al., 2025).

Водете серията върху собствените данни на аудиторията, а не върху внесени добри практики. Perl-Nussbaum и Finkelstein (2026) документират работещ модел от голям държавен физически департамент от тип R1: шест сесии на две седмици по 60 до 75 минути, деветнадесет преподаватели, участвали в серията, и около десет на всяка среща, като всяка сесия откриваше с местни данни или материали от департамента, преминаваше към тестване на AI в малки групи срещу реални анонимизирани студентски домашни работи и завършваше с колективна дискусия. Това, което преподавателите откриха чрез тестване, беше по-полезно от всеки пакет, който фасилитаторите можеха да внесат - AI решаваше всяка задача, която опитаха, но обратната му връзка върху реална студентска работа беше неравномерна, зависима от prompt и повърхностна, освен ако не получи изрични цели и рубрики, а студентите подканваха плитко и променяха изхода повърхностно, освен ако продуктивната употреба не беше моделирана. Първият конкретен резултат беше жива библиотека с пет записа - изявления за политиката в учебната програма, материали за дискусия в клас, анкетата за студентите, задачи за домашно с интегриран AI и структури за оценяване - което е причината авторите да третират самата структура на сесията като аргумент, а не съдържанието, което е предоставила.

Закотвяне в рамка за компетентности. Развитието трябва да изгражда и педагогическа грамотност за подканване - способността да се кодират педагогически намерения в prompt - тъй като Talebzadeh (2026) установява, че именно педагогическата експертиза, а не свободното владеене на AI, определя качеството на подпомогнатата от AI дизайнерска работа на учителите.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Подредете разбирането преди автоматизацията. Критичен дискурсен анализ на 14 документа от сива литература, публикувани между ноември 2022 г. и април 2025 г., които съветват практиците относно генеративния AI за конструктивно съответствие, установява, че способността трябва да предхожда достъпа до инструмента: тъй като качеството на ангажирането предхожда качеството на разбирането в конструктивистка рамка, рискът е обратно пропорционален на познаването, а начинаещите са най-изложени на водено от правдоподобие приемане на правдоподобно изглеждащи, но педагогически плитки изходи. McInnes et al. (2026) допълват, че звената за развитие трябва да се противопоставят на техницистки мандат - да помагат на преподавателите да „придобият свободно владеене“ на инструменти, които вършат „тежката работа“ по дизайна на курса - защото такава рамка изключва разработчиците от затворен цикъл преподавател-GenAI и превръща ценностно воденото, релационно развитие в посреднически механизъм за приемане на софтуер. Защитимата алтернатива запазва образователните разработчици като куратори и определящи правилата на всеки институционално ограничен асистент за съответствие с извличане, който задава проверяващи въпроси, отбелязва недостатъчно и прекомерно оценяване и генерира алтернативи, но никога завършени артефакти, като ескалацията към човешка преценка по въпроси на акредитацията и междупрограмните въпроси се третира като характеристика, а не като изключение.

Изведете наяве и адресирайте страховете и менталните модели. Преди да преработите преподаването, използвайте семинар за анализ на метафори (Vallis, Wilson & Casey 2025), за да изведете наяве допусканията и тревогите на екипа относно GenAI - включително страха, че ще замени преподавателските роли - и изградете развитие, което им отговаря, вместо да ги пренебрегва.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Моделирайте AI грамотността и измервайте реалните печалби. Развитието на преподавателите трябва самото да въплъщава практиките, които преподава - използване на AI педагогически, критично оценяване на изходите - и трябва да оценява демонстрираната компетентност, а не самоотчитаната увереност, тъй като самовъзприятието надеждно надценява AI умението.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Не предполагайте, че предметната експертиза се пренася върху GenAI. Sutedjo, Chowdhury & Liu (2026) анкетират 127 преподаватели от изследователски университети в САЩ с инструмента TPACK-21 и установяват, че знанието за съдържанието (CK) показва няма значима корелация с технологичното знание или с който и да е технологично интегриран домейн (r = 0,11-0,15, ns) - дисциплинарната експертиза не предсказваше знанието за интеграция на GenAI. Технологично интегрираните домейни (TPK, TCK, TPACK) се корелираха толкова силно помежду си (r = 0,81-0,91), че може да функционират като единен фактор за интеграция на GenAI. Практически: изграждайте интеграцията на GenAI чрез дисциплинарно специфични дейности, които свързват възможностите на GenAI с предметната област на всеки преподавател, и третирайте технологично интегрираните домейни като една споделена основа за GenAI грамотност, вместо да ги обучавате като отделни умения.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Дисциплинарно специфични модели за интелигентна класна стая. Zhu, Liang, Mao и Wang (2026) показват как курс от магистърска програма по математика може да бъде обогатен с интелигентни образователни технологии (автоматично оценяване, персонализирани препоръки, многократна AI обратна връзка), интегрирани през етапите преди, по време и след занятието в триизмерна рамка за интелигентна класна стая. Техният квазиексперимент установява статистически значими печалби в умението за проектиране на инструкционни цели, предлагайки преносим модел D-T-E (Дисциплинарно изискване - Технологично овластяване - Оценъчен цикъл) за преподаватели на учители и образователни разработчици, които искат да преместят рамките за интелигентно образование от макро концепции в дисциплинарно специфична практика.

Измервайте присъствието, а не усещането за ангажираност. В шестмесечна програма Intelligent-TPACK за 64 университетски преподаватели процентът на присъствие предсказваше печалбата в AI компетентността (β = 0,407, p = 0,001), докато самовъзприеманото участие не (β = 0,049, p = 0,692), което авторите четат като конкретна поведенческа инвестиция срещу повърхностна ангажираност (Tan, Cheng & Ling, 2025). Програмата съчетаваше онлайн лекции с три присъствени семинара и след това изискваше от преподавателите да преработят инструкционните си дизайни и да ги приложат следващия семестър, а авторите препоръчват присъствието да бъде обвързано с атестацията наред със значими стимули.

Сравнявайте с това, което преподавателите сами съобщават. Анкетата на Watson & Rainie (2026) с 1057 преподаватели в САЩ установява, че институционалният слой е тънък по начини, които дизайнерите на програми могат да измерят директно: 59% преценяват, че училището им е неподготвено да използва генеративен AI ефективно за подготовка на студентите за бъдещето, а 68% казват, че то не е подготвило преподавателите да го използват за преподаване и менторство, докато структурният отговор стига до работна група в 55% от институциите, но до общообразователен резултат за AI грамотност само в 13%. Преподавателите не бяха чакали политика - 87% пишеха собствени правила на ниво задача срещу 48%, които можеха да посочат институционално - и посочиха съпротивата на колегите (82%) и непознаването (83%), а не мандата, като пречки пред департаментното приемане. За програмите за развитие това аргументира третирането на нормите на връстниците, споделения език на политиката на ниво задача и изричните мерки за институционална готовност като част от интервенцията, вместо да ги оставя на политическия документ.

Реакцията на преподавателите отразява центровете на власт, а не нагласата. В инструментален казус с 33 преподаватели по писане четири полицентрични центъра на власт - глобалната GenAI тенденция, университетът и департаментът, колегите и студентите - оформиха практиката, а хоноруваните преподаватели, ограничени от слаба дискурсна власт, се преместиха от откриване към преподаване на допустима употреба (Zuo et al. (2026)).

  • Шест семейства професионално развитие, три добре доказани и един ясен победител. Преглед на 78 проучвания за подпомогнатия от AI инструкционен дизайн подрежда документираното професионално развитие в компактни вградени модули (2-4 седмици), семестриално микрообучение, базирани на задачи дизайнерски цикли, вериги от въпроси на съвместен диалог, критично съвместно откриване и самонасочено учене на практика. Доказателствата за резултати са най-силни за компактните вградени модули: триседмичен модул даде статистически значими печалби във всички шест домейна на Intelligent-TPACK със средни до големи размери на ефекта, а четириседмична програма с 436 бъдещи учители и контролно условие е най-силната контролирана оценка в корпуса (Spyropoulou & Kameas, 2026).
  • Три дизайнерски характеристики отделят най-добре доказаните интервенции. Етиката, вградена като разпределена практика с контролни точки при всяка задача, а не като самостоятелна сесия; оценяване на компетентността чрез представяне с планове на уроци, дневници на решения и микро-преподаване, мотивирано пряко от ненадеждността на самоотчитането; и prompt engineering, развиван като рефлексивна, педагогически обоснована практика. Приемането не е същият лост като представянето: сред 200 учители в Северна Суматра употребата на AI нямаше пряк ефект върху представянето на учителя (β = 0,112, p = 0,087), докато организационното гражданско поведение го носеше индиректно, така че работата по развитие на преподавателите, насочена към съвместна, извънролева употреба, е версията, която доказателствата подкрепят (Sherly et al. (2027)). Съпътстващо двуседмично проучване установи бързи печалби в знанията и увереността, като идентифицира откриването на пристрастия като най-слабата нововъзникваща компетентност - пропуск, който се запази и в по-дългия модул, в съответствие с това, че етичният перцептивен капацитет се развива по-бавно от технологичното познаване.

Чести заблуди

„Семинарът по умения е интервенцията, от която образователното развитие се нуждае.“ Готовността е проблем на социотехническо съответствие, а не индивидуален дефицит, поради което самостоятелен „AI семинар“ не покрива нуждата, към която се обръща. Програма, която работи директно с въпроса, беше шестседмичен летен институт, който преведе десет преподаватели от образованието, здравните науки, бизнеса и други програми през работа на ниво идентичност. Продължителността и кохортата не са случайни за този дизайн; именно те го отличават от обиколка на функциите.

„По-ясните институционални насоки ще решат безпокойството на преподавателите.“ Насоките помагат и не достигат до проблема. Само 31,2% от академичния персонал в малтийски университет възприемат ясни институционални насоки, а корелацията между яснотата на насоките и по-ниската вина беше слаба (r = -0,25, p = 0,010). Слаба връзка в такъв мащаб означава, че подходите отгоре надолу не могат да решат това, което статията чете като частично емоционален и идентичностен проблем - едната пета от обяснената дисперсия не е тази, която има значение.

„Вината за употребата на AI показва нарушаване на правила.“ Тя следва прикриването, а не разкриването: ограничаването на употребата на AI поради неудобство корелираше със скриването й, а не със забранено поведение. Четенето на вината като доказателство за нарушение следователно идентифицира погрешно източника й, а третирането й като сигнал за съответствие ще избута поведението още по-далеч от погледа.

„Ниският дял на отговори в анкетата означава, че преподавателите нямат силни чувства.“ Статията чете своите 109 отговора (дял от 3,5%) като сами по себе си информативни за състоянието на етичния дебат - ниският отговор на въпрос за дискомфорт е находка за този дискомфорт, а не липса на такъв. А интеграцията на GenAI, рамкирана само като повишаване на квалификацията, пропуска въпроса за идентичността, който някои преподаватели действително задават: какъв е смисълът на преподаването в свят с GenAI.

Свързани концепции

Свързани статии

Свързани ЧЗВ

Свързани ресурси

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • FPDS Apps and Resources
    The public resource page of Faculty Professional Development Services at Hillsborough College, collecting its AI design coaches, Canvas courses and accessibility guides in one place.

Метаданни

НивоHigher Ed, K 12
Целева аудиторияFaculty Developers, Instructors
Институции и политикиEducational AI Policy
Основи на AI в образованиетоAI грамотност, Curriculum Design, Дизайн на обучение, Преподаването, Компетентност на учителите за AI
ИзточникИсторияРедактиранеЧат

Вграждане на тази страница

Копирайте кода по-долу, за да вградите тази страница в система за управление на обучението или друг уебсайт. Вгражданата версия показва само съдържанието на страницата — скрива заглавната част, навигацията и долния колонтитул на сайта.