AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Развитие педагогической практики

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Развитие педагогической практики (также известное как faculty development, развитие профессорско-преподавательского состава) — процессы, программы и институциональные поддержки, помогающие преподавателям развивать навыки, уверенность и professional identity, необходимые для эффективного преподавания с использованием ИИ. Развитие педагогической практики охватывает индивидуальное обучение, переработку curriculum, изменение institutional policy и культурную работу по осмыслению того, что генеративный ИИ (GenAI) означает для академической профессии.

Вопросы для размышления

  • Если преподаватели одной и той же кафедры описывают ИИ, с одной стороны, как «ассистента», похожего на человека, а с другой — как простой «инструмент» или «поисковую систему», может ли учебная программа действительно преуспеть прежде, чем эти базовые ментальные модели будут выявлены? Что может произойти, если развитие пропустит этот шаг?
  • Развитие педагогической практики часто рассматривается как закрытие пробела в навыках — научите преподавателей инструментам, и они их примут. Но некоторые research формулируют интеграцию GenAI как изменение на уровне идентичности («в чём смысл преподавания в мире GenAI?»). Какая формулировка, по-вашему, более точна и какие различные действия подразумевает каждая из них?
  • Рамки готовности вроде EPIQ-AI делят готовность преподавателей на эпистемическую, pedagogical, институциональную и качественно-регламентную области. Если готовность — это социотехническая задача согласования, а не индивидуальный пробел в навыках, что это говорит о том, где одинокий «семинар по ИИ», скорее всего, окажется недостаточным?
  • Когда вы чувствовали, что ваши собственные предположения о новой технологии всплывали и менялись — через обсуждение, метафору или общий язык, а не через обучение? Какую роль, по-вашему, играют общий язык и анализ метафор в том, чтобы помочь преподавателям осмыслить ИИ?
  • Представьте малотехнологичный «семинар по метафорам», на котором преподаватели, сотрудники и студенты формулируют, ощущается ли ИИ как швейцарский армейский нож, помощник, чёрный ящик или конкурент. Может ли выявление страхов (включая страх, что ИИ заменит преподавательские роли) дать для внедрения больше, чем дополнительное техническое обучение?

Введение

Развитие педагогической практики — это профессиональная и институциональная работа, посредством которой преподаватели выстраивают способность хорошо проектировать, преподавать и оценивать — и в эпоху ИИ оно стало предпосылкой для того, чтобы любое педагогическое изменение возымело действие. Данная концепция охватывает индивидуальный уровень (AI literacy, уверенность, competency, отношения) и институциональный уровень (стандарты, политика, обеспечение качества и согласованность между заявленными ожиданиями в отношении ИИ и фактическим дизайном оценивания). Повторяющийся результат по всей этой базе знаний состоит в том, что доказательства эффективной практики существенно опережают то, что внедрило большинство учреждений, что делает развитие практики — а не дополнительные первичные исследования — связывающим ограничением. learning sciences производят результаты, которые эта работа несёт: там, где эта область эмпирически устанавливает, как люди учатся и какие дизайны меняют результаты, развитие педагогической практики — это институциональная практика, перемещающая такие доказательства в то, как преподаватели фактически преподают и оценивают. Его работа, однако, ограничена институциональной границей: развитие выстраивает способность у сотрудников внутри учреждения, тогда как инструменты, которые этим сотрудникам затем предлагают принять, обычно построены вне него силами Разработчики образовательных технологий, чьи решения по дизайну и закупкам — значения по умолчанию, настраиваемость, что выживает после финансирования, — приходят как ограничения для программы, а не как её продукты.

Развитие педагогической практики в эпоху ИИ

  • Рамки готовности: The EPIQ-AI framework выделяют четыре области готовности: эпистемическую, педагогическую, институциональную и качественно-регламентную. Готовность преподавателей — это задача социотехнического согласования, а не просто индивидуальный пробел в навыках.

  • Стандарты интеграции технологий: Crompton et al. используют design-based research, чтобы разработать стандарты интеграции технологий (включая ИИ) для преподавателей в учреждениях higher education.

  • Внедрение и уверенность: Teacher AI adoption research выделяют озабоченности, поддержку, уверенность и отношения как ключевые предикторы. Программы развития профессорско-преподавательского состава должны работать со всеми четырьмя.

  • Интеграция в учебный план: Institutional change frameworks и assessment reform требуют от преподавателей переработки курсов, а не просто добавления инструментов ИИ.

  • Учебные программы: AI upskilling frameworks и TPACK-based preservice training дают модели для структурированного AI education.

  • Опосредованное ИИ профессиональное размышление. Модель «рефлексивного треугольника» позиционирует ИИ как когнитивного посредника в саморефлексии, совместной рефлексии и рефлексии сообщества в сообществе профессионального обучения; она была проверена в четырёхнедельном случае осуществимости с шестью преподавателями; границу, которую она проводит, составляет то, что индивидуальное прозрение не становится автоматически общим профессиональным знанием (Nguyen (2026)).

  • Управление ИИ и политика: Institutional AI policy analysis документирует разрыв между институциональными амбициями и потенциалом поддержки преподавателей.

  • ИИ-грамотность институционально невидима. Систематический обзор 32 исследований ИИ-грамотности преподавателей языка обнаружил её отсутствие в моделях нагрузки, политиках продвижения и распределении ресурсов, при фрагментированном развитии и смещённой подотчётности между учреждениями и агентствами — поэтому развитие грамотности по умолчанию перекладывается на индивидуальные усилия, а не на структурную поддержку (Deng, Çelik & Duran, 2026).

Метафоры и общий язык в развитии педагогической практики

Преподаватели обладают разнородными, часто глубоко амбивалентными ментальными моделями ИИ, и эффективное развитие должно выявлять их и работать с ними. Gerhardt et al. показывают, что преподаватели engineering формулируют ИИ через метафоры, которые одновременно конструируют и ограничивают понимание (ИИ как похожий на человека «ассистент» в противоположность «инструменту» или «поисковой системе»); поскольку преподаватели внутри одной и той же кафедры часто придерживаются фундаментально различных концептуализаций, общий, точный язык о GAI является предпосылкой для эффективного развития профессорско-преподавательского состава и продуктивных обсуждений внедрения на уровне кафедры.

Практическим методом выявления этих ментальных моделей является семинар по анализу метафор. Vallis, Wilson & Casey (2025) спроектировали и валидировали малотехнологичный совместный семинар для преподавателей, сотрудников и студентов, на котором формулируются их метафоры для генеративного ИИ. Метафоры участников сгруппировались в четыре категории — Функции (инструментальные: «швейцарский армейский нож»), Роли (человекоподобные: «помощник», «друг-враг»), Качества (непознаваемые: «чёрный ящик», «скользкий склон») и Агентность (угрожающие: «конкурент», «зловещий робот») — выявляя устойчивые напряжения между человеческой и машинной Автономность учащегося и между известным и непознаваемым. Семинар помог участникам выявить предположения, установить связи между ролями, почувствовать, что они «не одни», и подумать об Этика GenAI, не требуя технической экспертизы. Как инструмент развития он даёт проектировщикам программ малобарьерный способ выявить предположения команды прежде, чем перерабатывать Оценивание или внедрять политику, и прямо обратиться к страхам — включая страх, что ИИ заменит teaching roles.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI как работа над идентичностью, а не просто повышение квалификации

Точка зрения, основанная на теории пороговых понятий, переформулирует интеграцию GenAI как онтологическую трансформацию для преподавателей, а не как пробел в навыках. Применяя теорию пороговых понятий (Meyer и Land), Laidlaw утверждает, что GenAI обнаруживает все пять пороговых характеристик — трансформативность (перестраивает предположения об оценивании, педагогике и профессиональной роли), проблемность (нарушает верования об оригинальности, человеческой агентности и соотношении усилия и достижения), необратимость, интегративность (связывает технологии, педагогику, эпистемологию и идентичность) и ограниченность (свободное владение GenAI становится новой отметкой профессиональной востребованности).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Согласно этому подходу преподаватели, спрашивающие «в чём смысл преподавания в мире GenAI?», не deficient в компетентности; они находятся в лиминальной фазе пересечения порога, где тревожность, сопротивление и замешательство — необходимые части трансформации, а не препятствия, которые нужно устранить. Обучение, основанное на навыках, отвечающее на вопрос о компетентности, который преподаватели не задают, может оказаться периферийным по отношению к настоящей трансформации, а благонамеренное управление может скатиться к «иллюзии правоприменения» — сообщению правил вместо поддержки изменения.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Следствие для дизайна: дополняйте (а не заменяйте) выстраивание навыков практиками, поддерживающими идентичность — открывайте занятия вопросами об идентичности, а не техническими демонстрациями, ведите продолжающиеся discipline-specific когорты, где преподаватели исследуют, что GenAI означает для назначения их области, создавайте структуры наставничества сверстников, уважающие разные сроки трансформации, и различайте колебания, основанные на страхе (которым помогает поддержка), и принципиальный отказ от внедрения, основанный на законных дисциплинарных ценностях (который заслуживает уважения).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Модель семинара по метафорам, описанная выше, — это одна конкретная реализация этого: вместо того чтобы начинать с технического upskilling, она открывается интерпретационным, нагруженным идентичностью вопросом о том, что GenAI означает для участников.

Эмпирическая поддержка формулировки о работе над идентичностью. Farazouli et al. (2026) дают прямое qualitative доказательство этого подхода: 24 преподавателя шведских университетов описали появление GAI как тревожащее и ошеломляющее, сообщая о «состоянии уязвимости» (низкая уверенность, неуверенность в себе, страх «не быть впереди студентов») и чувствуя себя «застрявшими» между утопическими и дистопическими дискурсами. Их ограниченные знания и опыт, наряду с чувствами уязвимости, указывают на недостаток готовности преподавателей к тому, чтобы ориентироваться в GAI, оценивать и внедрять его, — и авторы утверждают, что учреждения должны предоставить выделенные пространства и время для того, чтобы преподаватели экспериментировали с GAI, обменивались идеями и совместно разрабатывали практики и руководства на институциональном, кафедральном и курсовом уровнях. Это обосновывает ориентированный на работу над идентичностью и поддержку подход в собственном сообщённом опыте преподавателей, а не только в теории.

Программа, работавшая с вопросом идентичности напрямую. Chick, Morello & Staffey (2026) сообщают о шестинедельном летнем институте, который вывел десять преподавателей из педагогики, наук о здоровье, бизнеса и других программ из низкого владения ИИ (средняя самооценка 1,89 по шестибалльной шкале) к 60% сообщивших о высокой уверенности в руководстве student AI use и к 90% положительных восприятий, и они объясняют этот сдвиг не столько обучением инструментам, сколько структурированными безопасными экспериментами, открывавшимися экзистенциальным вопросом профессиональной ценности, а не демонстрациями. Изменение словаря — та отметка, на которую они опираются: ранние формулировки ИИ как «машины для списывания» или «обезчеловечивающей силы» уступили место «любопытному ассистенту», и их четыре темы — от страха к любопытству, желание этической ясности, которую не дал вакуум политики, inclusive design как усилитель equity и движение преподавателей от привратников к проводникам, — описывают частичную, намеренную переориентацию преподавательской идентичности. Десять итоговых переработок курса — более твёрдое доказательство, причём восемь из десяти позиционируют ИИ как опору, поддерживающую мышление, а не заменяющую его, а симбиотическая педагогика авторов формализует то, что построили участники: дополнительный дизайн, прозрачный процесс, критическая интеграция, встроенное этическое рассуждение и итеративное уточнение. Оговорка носит структурный, а не индивидуальный характер: те же участники называли противоречивые сигналы политики, личные подписки на инструменты и отсутствие высвободившегося времени на переработки, поэтому авторы заключают, что сопротивление никогда не было проблемой и что частичные реакции, оставляющие политику и инфраструктуру нетронутыми, провалятся даже с увлечённой когортой.

Развитие как посредничество и первый вопрос, который задаёт разработчик. Sithole (2026) изучает академическое развитие — более старое название области и термин, используемый журналом International Journal for Academic Development, опубликовавшим статью, — в двух южноафриканских исторически неблагополучных учреждениях (Historically Disadvantaged Institutions) и переформулирует разработчиков не как технических реализаторов, а как цифровых посредников, работающих в трёх регистрах: педагогическом (перевод дискурса ИИ в жизнеспособную практику преподавания, обучения и Оценивание), этическом (противопоставление автоматизации Академическая добросовестность, инноваций — заботе) и институциональном (работа в лиминальном пространстве между императивами управления и озабоченностями академического сообщества). Два результата важны для дизайна программ. Во-первых, отборный вопрос является контекстуальным прежде, чем техническим — «что это значит для преподавания здесь, для наших студентов из бедных школ?» — и замедление внедрения считается частью работы, а не сопротивлением ей. Во-вторых, аффективная цена структурна, а не лична: от разработчиков ожидали проекции экспертизы в инструментах, последствия которых они ещё сами выясняли («Я чувствую себя самозванцем. Я изучаю ИИ по ходу дела, но учреждение ожидает экспертизы»), и их ответом было professional learning сверстников, направленное на суждение, а не на навык, включая намеренные попытки сломать инструменты. Аналитический вклад статьи — отделить digital inequality, дистрибутивную проблему, от алгоритмической колониальности, эпистемической проблемы, которая выживает при полном доступе, — и поместить обе внутрь Global South и higher education, где от работы по развитию ожидается быть трансформативной, а не нейтральной службой поддержки.

Вина и моральный дискомфорт как сигнал развития. Vassallo (2026) даёт аффективное дополнение к изложению об идентичности. В опросе академического персонала мальтийского университета (109 ответов, доля 3,5%, которую статья читает как саму по себе информативную о состоянии этической дискуссии) вина следовала за сокрытием, а не раскрытием — ограничение использования ИИ из-за дискомфорта коррелировало с Индексом вины в отношении ИИ (AI Guilt Index) на r = .62, а избегание раскрытия коллегам — на r = .50, — тогда как формальное disclosure в академических продуктах не обнаруживало связи (r = .08). Только 31,2% видели ясные институциональные руководства, и корреляция между этой ясностью и более низкой виной была слабой (r = −.25, p = .010), что статья читает как доказательство, что нисходящие предписания не могут разрешить частично эмоциональную и основанную на идентичности проблему. Её рекомендации непосредственно ориентированы на развитие: относитесь к вине и озабоченности идентичностью как к нормальным переходным реакциям, а не к недостаткам, которые нужно исправить; используйте структурированные малобескровные эксперименты, чтобы провести персонал через предвосхищающую тревожность; и опирайтесь на наставничество старших академических коллег, поскольку вина была наивысшей среди персонала на ранней карьерной стадии (M = 2,71) и наинизшей среди старших (M = 2,03).

Практические рекомендации для проектировщиков программ

Для разработчиков профессорско-преподавательского состава, академических руководителей и instructional designers, планирующих professional development преподавателей в области ИИ, доказательства базы знаний позволяют предположить следующее:

Работайте с четырьмя факторами внедрения, а не только со знанием. Уверенность, отношения, поддержка и озабоченности предсказывают, внедряют ли преподаватели ИИ фактически — семинар, ориентированный только на знание, который их игнорирует, вряд ли изменит практику. Проектируйте развитие так, чтобы выстраивать уверенность через практическое использование, предоставлять продолжающуюся поддержку (а не разовое обучение) и активно выявлять озабоченности преподавателей и отвечать на них.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Уверенность и грамотность — не взаимозаменяемые цели: в SEM-модели с 502 респондентами среди преподавателей университета ИИ-грамотность была доминирующим предиктором благополучия в связи с ИИ (β = 0,713), тогда как technological self-efficacy вносила малый вклад (β = 0,082), а поддержка достигала благополучия лишь косвенно (Liu et al. (2026)).

Рассматривайте спрос на руководства и их адекватность как отдельные проблемы. Преподаватели одного университета strongly поддерживали институциональные меры против неэтичного использования ИИ (M = 4,59), оценивая при этом существующие руководства ниже всего (M = 2,99), и называли конфиденциальность данных и культурную инклюзивность своей самой слабой областью знаний — конкретная цель для профессионального развития (Bilgic & Sever, 2026).

Рассматривайте готовность как задачу социотехнического согласования. EPIQ-AI framework показывают, что готовность преподавателей охватывает эпистемическую, педагогическую, институциональную и качественно-регламентную области. Программы, обучающие только индивидуума, упускают институциональные рычаги (политика, нагрузка, стимулы, стандарты качества), которые делают изменение возможным или блокируют его — согласовывайте их наряду с обучением.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity) Не отождествляйте инвестиции в инфраструктуру с трансформацией. По 125 исследованиям инвестиции учреждений в инфраструктуру GenAI и развитие педагогической практики коррелировали с фактическим педагогическим изменением лишь слабо (r = 0,12), тогда как 60–70% преподавателей чувствовали себя неготовыми интегрировать GenAI, — что делает развитие, а не закупки, связывающим ограничением.(Rathnayake (2026))

Стройте движение к переработке учебного плана, а не к внедрению инструментов. Цель состоит в том, чтобы преподаватели перерабатывали курсы и оценивание, а не просто добавляли инструменты ИИ. Основывайте профессиональное развитие на работе по переработке на уровне курса и на реформе оценивания и давайте преподавателям структурированные рамки для этого (например, assessment scales, institutional change frameworks).(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)

Собирайте деревню, а не индивидуума. Среди 12 академических сотрудников и 17 студентов, принявших участие в интервью, переработка оценивания в эпоху GenAI превосходила возможности любого отдельного академического сотрудника — назывались негибкие процессы, долгие сроки и бремя нагрузки, — поэтому авторы предлагают охватывающую всю программу команду, сочетающую экспертизу в дизайне оценивания, GenAI, предметной области, программе и отрасли (Nicola-Richmond et al., 2025).

Ведите серию на собственных данных аудитории, а не на импортированных наилучших практиках. Perl-Nussbaum and Finkelstein (2026) документируют отработанную модель на примере крупной государственной физической кафедры университета R1: шесть заседаний по 60–75 минут каждые два раза в две недели, девятнадцать преподавателей, участвовавших в течение серии, и около десяти на любом заседании, причём каждое заседание открывалось локальными данными или материалами кафедры, переходило к проверке ИИ малыми группами на реальных анонимизированных домашних заданиях студентов и закрывалось коллективным обсуждением. То, что преподаватели находили при проверке, было полезнее любого пакета, который могли бы импортировать фасилитаторы, — ИИ решил каждую задачу, которую они пробовали, но его обратная связь на реальных работах студентов была неровной, зависимой от промптов и поверхностной, если ему не давали явных целей и рубрик, а студенты формулировали промпты поверхностно и модифицировали выдачу поверхностно, если продуктивное использование не демонстрировалось. Первым конкретным результатом стал живой репозиторий из пяти записей — положения политики в учебном плане, материалы для обсуждения в аудитории, опрос студентов, интегрированные с ИИ домашние задания и структуры оценивания, — и именно поэтому авторы рассматривают саму структуру заседаний как аргумент, а не любое содержание, которое оно доставило.

Опирайтесь на рамки компетентностей. Развитие должно также выстраивать педагогическую prompt literacy — способность кодировать педагогические намерения в промптах, — поскольку Talebzadeh (2026) обнаруживает, что качество дизайнерской работы преподавателей с помощью ИИ определяется педагогической экспертизой, а не свободным владением ИИ.(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)

Располагайте понимание прежде автоматизации. critical discourse analysis 14 текстов серой литературы, опубликованных между ноябрём 2022 года и апрелем 2025 года и советующих практикам по генеративному ИИ в целях конструктивного согласования, обнаруживает, что способность должна предшествовать доступу к инструментам: поскольку в рамках Конструктивизм качество вовлечения предшествует качеству понимания, риск масштабируется обратно пропорционально знакомству, а новички наиболее подвержены принятию правдоподобно выглядящих, но педагогически тонких выдач, основанному на правдоподобии. McInnes et al. (2026) далее утверждают, что подразделения развития должны сопротивляться техницистскому заданию — помогать преподавателям «приобрести свободное владение» инструментами, выполняющими «тяжёлую работу» course design, — поскольку такая формулировка выталкивает разработчиков из замкнутого цикла преподаватель–GenAI и переосмысляет ценностно-ориентированное, реляционное развитие как опосредующий механизм для внедрения программного обеспечения. Защитимая альтернатива сохраняет разработчиков образования как кураторов и устанавливающих правила для любого институционально ограниченного ассистента согласования на основе retrieval-augmented (retrieval-augmented) подхода, который ставит probing вопросы, отмечает недо- и переоценивание и генерирует альтернативы, но никогда не готовые артефакты, причём эскалация к human judgment по вопросам аккредитации и межпрограммным вопросам рассматривается как особенность, а не как исключение.

Выявляйте страхи и ментальные модели и работайте с ними. Прежде чем перерабатывать преподавание, используйте семинар по анализу метафор (Vallis, Wilson & Casey 2025), чтобы выявить предположения и тревоги команды относительно GenAI — включая страх, что он заменит преподавательские роли, — и строите развитие, отвечающее на них, а не игнорирующее их.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Демонстрируйте ИИ-грамотность сами и измеряйте реальные приросты. Развитие профессорско-преподавательского состава должно само воплощать практики, которым учит, — использовать ИИ педагогически, критически оценивать выдачи, — и должно оценивать продемонстрированную компетентность, а не self-reported уверенность, поскольку самовосприятие надёжно завышает навык работы с ИИ.(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, что экспертиза в предметной области переносится на GenAI. Sutedjo, Chowdhury & Liu (2026) опросили 127 преподавателей исследовательских университетов США с помощью инструмента TPACK-21 и обнаружили, что знание содержания (CK) не обнаруживает значимой корреляции с технологическим знанием или любой интегрированной с технологиями областью (r =.11–.15, ns) — дисциплинарная экспертиза не предсказывала знание интеграции GenAI. Интегрированные с технологиями области (TPK, TCK, TPACK) интеркоррелировали настолько сильно (r =.81–.91), что могут функционировать как единый фактор интеграции GenAI. Практически: выстраивайте интеграцию GenAI через дисциплинарно-специфичные активности, связывающие возможности GenAI с предметной областью каждого преподавателя, и рассматривайте интегрированные с технологиями области как единую общую основу GenAI-грамотности, а не обучайте их как отдельным навыкам.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Дисциплинарно-специфичные модели «умных аудиторий». Zhu, Liang, Mao, and Wang (2026) показывают, как курс магистратуры по mathematics может быть усилен интеллектуальными образовательными technologies (automated scoring, персонализированными рекомендациями, множественной AI feedback), интегрированными на этапах до, во время и после занятий в рамках трёхмерной рамки «умной аудитории». Их квазиэксперимент обнаружил статистически значимые приросты в умении проектировать учебные цели, предлагая переносимую модель D-T-E (Disciplinary Demand–Technological Empowerment–Evaluation Loop — дисциплинарный запрос–технологическое расширение возможностей–цикл оценивания) для teacher educators, и разработчиков педагогической практики, стремящихся переместить рамки «умного образования» от макроконцепций к дисциплинарно-специфичной практике.

Измеряйте посещаемость, а не чувство вовлечённости. В шестимесячной программе Intelligent-TPACK для 64 преподавателей университета доля посещаемости предсказывала прирост в компетентности в области ИИ (β = .407, p = .001), тогда как воспринимаемое самими участниками участие — нет (β = .049, p = .692), что авторы читают как конкретное поведенческое инвестирование против вовлечённости на поверхностном уровне (Tan, Cheng & Ling, 2025). Программа сочетала онлайновые лекции с тремя очными семинарами, затем требовала от преподавателей переработать свои дизайны обучения и реализовать их в следующем семестре, а авторы рекомендуют включать посещаемость в аттестацию наряду со значимыми стимулами.

Сравнивайте с тем, что сообщают сами преподаватели. Опрос Watson & Rainie (2026) среди 1 057 преподавателей США обнаруживает, что институциональный слой тонок таким образом, который проектировщики программ могут измерить напрямую: 59% судили, что их учреждение не готово эффективно использовать генеративный ИИ для подготовки студентов к будущему, а 68% говорили, что оно не подготовило преподавателей использовать его для преподавания и наставничества, тогда как структурная реакция свелась к созданию рабочей группы в 55% учреждений, но к результату общего образования в виде ИИ-грамотности — лишь в 13%. Преподаватели не ждали политики — 87% написали собственные правила на уровне заданий против 48%, которые могли указать на институциональные, — и они называли сопротивление коллег (82%) и незнакомство с ними (83%), а не предписание, препятствиями к внедрению на уровне кафедры. Для программ развития это говорит о необходимости рассматривать нормы сверстников, общий язык политики на уровне заданий и явные меры институциональной готовности как часть вмешательства, а не оставлять их документу политики.

Реакция преподавателей отражает центры власти, а не отношение. В инструментальном кейс-стади с 33 преподавателями письма четыре полицентрических центра власти — глобальный тренд GenAI, университет/кафедра, коллеги и студенты, — формировали практику, а совместители, ограниченные небольшим дискурсивным влиянием, сдвигались от обнаружения к преподаванию приемлемого использования (Zuo et al. (2026)).

Связанные концепции

Связанные статьи

Связанные FAQ

Связанные ресурсы

  • Education Agent Skills
    Библиотека из 165 агентских навыков, основанных на доказательной базе и охватывающих педагогику, науку об обучении, учебный план и оценивание, упакованная для Claude, Codex и Hermes.
  • FPDS Apps and Resources
    Публичная страница ресурсов Службы профессионального развития преподавателей (Faculty Professional Development Services) колледжа Хиллсборо, собирающая в одном месте его ресурсы по ИИ, преподаванию и доступности.

Метаданные

УровеньHigher Ed, K 12
Целевая аудиторияFaculty Developers, Instructors
Учреждения и политикаПолитика в области образовательного ИИ (Educational AI Policy)
Основы ИИ в образованииИИ-грамотность, Проектирование учебного плана, Дизайн обучения, Преподавание, ИИ-компетентность преподавателя
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.