Политика в области образовательного ИИ (Educational AI Policy)

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Политика в области образовательного ИИ — формальные и неформальные правила, регулирующие использование ИИ в образовательных учреждениях: от национального законодательства до рекомендаций для аудитории. Исследования политики в базе знаний охватывают институциональное управление, требования к учебной программе и требования к подготовке преподавателей.

Вопросы для размышления

• Институциональные политики по ИИ часто написаны так, как будто сообщение людям правил меняет то, что они делают. Исследования показывают, что эти политики могут сильно отставать от фактического использования ИИ. Почему, как вы думаете, политика «на бумаге» так часто не совпадает с тем, что происходит в аудиториях?
• Если передача домашних заданий на аутсорсинг вызывает потери в обучении, которые остаются практически незамеченными — потому что ни один отдельный преподаватель не связывает спад студента с использованием ИИ, — какая политика вообще возможна? Как выглядело бы такое наблюдение?
• Решения в области политики оценивания, такие как устные экзамены, тесты под наблюдением и форматы без доступа к материалам, сами являются реакцией на списывание, ставшее возможным благодаря ИИ. Считаете ли вы, что контроль «результата» (выявление использования ИИ) — лучшая стратегия, чем перепроектирование оценивания, при котором саму работу труднее отдать на аутсорсинг?
• Политика в области образовательного ИИ охватывает национальное законодательство, государственные рекомендации, институциональные правила и выборы на уровне аудитории. Какой из этих уровней, по-вашему, действительно сильнее всего формирует поведение студентов и преподавателей — и почему?
• Чьи голоса обычно формируют политику в области ИИ — и чьи отсутствуют? Кто должен быть за столом переговоров, когда учреждение решает, какое использование ИИ разрешено и как оно регулируется?

Введение

Уровни политики

• Институциональная политика: анализ институциональной политики сравнивает, как университеты разрабатывают политики по ИИ. Фреймворки институциональных изменений предоставляют модели для разработки политики. Qian (2026) кодировал основные страницы об ИИ 50 американских университетов, признанных в 2025 году самыми инновационными, и обнаружил, что только 6 framing их как «политику», тогда как 44 публиковали руководства, рекомендации, принципы или центры ресурсов, и что 33 из 50 позиционируют преподавателей как основных переводчиков институциональных ожиданий в правила курса, — институциональная политика намеренно пишется как адаптируемое руководство для интерпретации на уровне курса, а не как фиксированное правило.
• Государственная политика: и политика непрерывного обучения рассматривают регуляторные подходы на национальном и региональном уровнях. Критический взгляд на инфраструктурном уровне на ИИ в государственном принятии решений предлагает Perrotta (2026), чей анализ прототипа Большие языковые модели (LLM) Redbox для гражданской службы Великобобритании показывает, как ИИ общего назначения входит в профессиональный инструментарий выработки политики через «управление без примеров» (zero-shot governance) — базовые модели, не привязанные к домену, вмешиваются в решения, обёрнутые в тонкие доменно-специфичные скаффолдинги.
• Политика в K-12: обзоры доказательств Стэнфорда по 818 статьям служат основой политики по ИИ в K-12.
• Политика оценивания: политики реформирования оценивания и фреймворки Аутентичное оценивание представляют собой ответы на уровне политики на списывание, ставшее возможным благодаря ИИ. Выбор формата итогового оценивания — устный, под наблюдением, без доступа к материалам, — сам является решением политики оценивания (см. Итоговое оценивание).

Разрыв в зрелости политики

База знаний документирует, что институциональные политики по ИИ отстают от фактического использования ИИ. Программы Развитие педагогической практики, фреймворки ИИ-компетентность преподавателя и Регулирование ИИ в образовании — все требуют согласованных политических оснований. Масштабные полевые данные (Strömberg, Lei, & Wu 2026) показывают, что потери в обучении от передачи домашних заданий на аутсорсинг остаются в значительной степени незамеченными, потому что отдельные преподаватели-предметники и студенты редко связывают спад с использованием ИИ, — разрыв, который может устранить политика, опирающаяся на доказательства (например, повышение веса оценивания без доступа к материалам, информирование студентов о долгосрочных издержках, наблюдение за входными данными, а не за результатами).

Там, где консенсус сформировался для заполнения этого разрыва, Crompton et al. (2026) — Дельфийское исследование с 35 экспертами из 22 стран сошлось на восьми областях управления — академическая добросовестность как центральный якорь, — плюс механизм пересмотра из шести частей (постоянный комитет по GenAI, плановые пересмотры политики, профессиональное развитие, коммуникация, оценка воздействия, наблюдение), чтобы поддерживать политику в актуальном состоянии.

Национальная готовность к ИИ не предсказывает силу институциональной политики. Adarkwah et al. (2026) оценили 26 университетов из десяти стран с высоким индексом AIPI по восьмикомпонентной структуре ЮНЕСКО для GenAI и обнаружили, что институции Северных стран и Новой Зеландии охватывают её полнее, чем университеты с более высоким рейтингом, тогда как инклюзия, справедливость и устойчивость были наиболее запущенными элементами.

Консультативные документы превосходят по числу обязательные политики. Перепись каждой аккредитованной программы в одной профессиональной области показывает, что разрыв в зрелости — это разрыв и формы, и сроков. Eldredge et al. (2026) собрали документы политики и руководства по ИИ из всех 48 аккредитованных CAHIIM магистерских программ по медицинской информатике и управлению медицинской информацией в Соединённых Штатах и обнаружили, что у 40 (83%) есть хотя бы один публично доступный документ, связанный с ИИ, тогда как у 8 его нет, но что документы были в основном руководствами, а не обязательными к исполнению правилами: 21 руководство (53%) против 7 формальных политик (18%). Их содержание центрировалось на академической добросовестности и допустимом использовании, тогда как приватность, интеллектуальная собственность и регуляторные концепции (HIPAA, FERPA, соблюдение требований в исследованиях) появлялись гораздо реже, и тематическое моделирование дало тот же акцент на поведении студентов. Ни тип документа, ни предполагаемая аудитория не варьировались в зависимости от способа доставки (точный критерий Фишера P = ,85 и P = ,71). Авторы читают это как доказательство того, что политика академической программы — деятельность, отличная от проектирования учебной программы и развития компетенций рабочей силы, и утверждают, что аккредитующие органы могли бы сократить возникающую вариативность, предоставляя фреймворки политики по ИИ, интегрирующие академическую добросовестность, этику данных и равный доступ.

Систематический обзор по Великобритании добавляет отраслевой слой к тому же разрыву: инвестиции в инфраструктуру и обучение персонала работе с ИИ концентрируются в исследовательских университетах (группа Рассела), тогда как учебно-ориентированные учреждения (пост-92) сталкиваются с ограничениями ёмкости, и лишь меньшинство британских учреждений ведут официальные планы управления ИИ (Ashiq (2026)).

Отрасль, делающая политику без доказательной базы. Разрыв в зрелости проявляется и как проблема доказательств в профессиональных программах. Gutowski and Hurley (2025) оценили институциональные политики одобренных ABA американских юридических школ по пяти измерениям — запретительность, разрешительность, образовательная интеграция, прозрачность и подотчётность, а также глубина, — и обнаружили, что большинство школ занимают в целом запретительные позиции, оставляя при этом усмотрение отдельным преподавателям и обязуясь пересматривать правила по мере развития технологий. Они объясняют осторожность давлением времени, а не доказательствами: опрос ABA 2024 года собрал ответы лишь от около 15% аккредитованных школ, и авторы сообщают об отсутствии консенсуса относительно того, должно ли использование ИИ раскрываться и как оно должно цитироваться. Их вывод процедурный — строить политику вместе с преподавательским составом, а не для него, обучать упреждающе и рассматривать генерацию политики как повторяющееся событие, а не разовый акт, — что делает Юридическое образование одним из самых ясных случаев различия между политикой и управлением, которое проводит эта страница.

Преподаватели регулируют; учреждения — по большей части нет. У разрыва в зрелости есть второе лицо, видимое со стороны преподавания. Watson and Rainie (2026) опросили 1 057 преподавателей американских колледжей и университетов и обнаружили, что правила писались гораздо быстрее ниже уровня учреждения, чем на самом этом уровне: 87% респондентов создали собственные политики на уровне заданий для использования ИИ студентами против 35%, заявивших, что их кафедра написала руководства, и 48%, заявивших, что их учреждение это сделало. Структурный ответ за этими документами тонок — 55% сообщили о рабочей группе или надзорной группе, 37% о новых классах, ориентированных на ИИ, 17% о направлении или майноре по ИИ, 16% о новых управлениях академического руководства, и лишь 13% о принятии ИИ-грамотности как результата общего образования, — тогда как 68% заявили, что их школы не подготовили преподавательский состав к преподаванию с этими инструментами. Поскольку студенты встречают возникающую лоскутную систему как единый институциональный режим, эта находка — прямое доказательство различия, которое проводит данная страница, между документом политики и управлением, делающим её согласованной. (Авторы описывают выборку как ненаучную и не поддающуюся обобщению, так что её лучше читать как выраженные сектором озабоченности.) Этот документированный разрыв имеет измеренное последствие на стороне студентов. Дизайн Чэня из двух исследований — 160 студентов-художников в сценарном эксперименте и 425 опрошенных (Chen, 2026) — обнаружил, что воспринимаемая несогласованность между продвижением GAI университетом и его фактической практикой преподавания, оценивания и поддержки положительно предсказывала как оценку препятствия (β = 0,431), так и оценку вызова (β = 0,496), которые несли противоположные косвенные эффекты на вовлечённость в творческий процесс (β = −0,060 через препятствие, p = 0,004; β = 0,217 через вызов, p < 0,001), так что одна несогласованная политика может одновременно подавлять и поддерживать творческую работу студентов.

Регулирование на уровне задач — формирующаяся закономерность. Крупномасштабное лонгитюдное исследование 31 000+ учебных программ курсов (2021–2025) в крупном государственном исследовательском университете (Chirikov 2026) показывает, как преподаватели на самом деле регулируют ИИ на практике: явное регулирование ИИ выросло почти с нуля до 55% курсов к осени 2025 года, но направление сместилось от ограничительного к разрешительному, а преподаватели всё чаще различали по типу задачи — ограничивая ИИ для составления текстов/рассуждений (задачи с риском замещения), разрешая его для редактирования/вычитки и поддержки учёбы (задачи дополнения). Формулировка также сместилась с академической добросовестности (63%→49% учебных программ) к влиянию на обучение (1%→29%). Эта основанная на задачах закономерность — построенная на механизмах экономики труда: замещение задач, дополнение и восстановление, — предлагает более мелкозернистую альтернативу политикам «принять всё или запретить всё» и является прямым эмпирическим якорем для различия политика против управления, проведённого выше.

• Сторона студента в регулировании на уровне задач. При двух из трёх оцениваний в рамках идентичного уровня открытого использования формат оценивания всё равно решал, для чего студенты использовали GenAI: использования для обратной связи выросли с 0% в scaffolded презентации до 66,7% в домашней викторине (Quince and Faulconer (2026)).

Проектирование политики на уровне преподавателя как упражнение на согласование. Регулированию на уровне задач есть проектный аналог ниже уровня учебной программы. Проектный случай McCorkle (2025) выводит разрешённые и запрещённые способы использования GenAI в курсе из вопроса «что, собственно, я оцениваю?» — инвентаризируя каждую задачу в проекте, отображая каждую задачу на цель обучения, соединяя каждую с формирующейся компетенцией рабочей силы в области GenAI (Профессиональное развитие и готовность к карьере), и затем решая, какая озабоченность имеет приоритет: необходимость оценить успеваемость студента или ценность формирования компетенции. Возникающая политика различается от задачи к задаче внутри одного проекта — подбор тем и курирование изображений разрешены, составление целей обучения и проектирование слайдов — нет, — при этом обоснование написано прямо студентам. Случай также документирует, почему повсеместные запреты терпят неудачу на практике: студенты, которые не считают себя нечестными, читают запрет как неприменимый к ним, и политика становится несправедливой (Справедливость), когда ожидания остаются неявными. Она дополняет описанные выше уровни политики сверху вниз, показывая, как содержание политики может быть сгенерировано из согласования с Оценивание на уровне курса и задания.

Разрыв между границей и доказательством в политике оценивания. Аудит 30 университетов публичных руководств по оцениванию с GenAI (Yao 2026) обнаруживает, что институциональные политики лучше умеют классифицировать использование ИИ, чем объяснять, какие доказательства обучения остаются валидными в каждом классе: средний балл границы делегирования (2,47/4) превысил средний балл стандарта доказательств (1,89/4), защитные меры были редки (2,75 из 8), а руководства были наиболее ясными для замены итогового результата. Фреймворк когнитивной опеки (cognitive stewardship) утверждает, что политики должны делать логику сертификации видимой — что учащиеся могут делегировать, что они всё ещё должны демонстрировать и как учреждения защищают справедливое доказательство, — а не просто наблюдать за использованием ИИ.

Чрезмерно широкая язык запретов и неправильно применённые правила. Область действия правила — это политическое решение с последствиями за пределами соблюдения требований. Wright (2026) утверждает, что повсеместные запреты, написанные в высшем образовании с 2023 года, запрещают «генеративный ИИ» без технической точности, необходимой, чтобы отделить генерацию контента от преобразования формата с помощью ИИ, — оптическое распознавание символов, распознавание рукописного текста и преобразование речи в текст являются технологиями распознавания, которые выводят то, что студент уже написал, а не производят новый контент. При таком прочтении наказание за использование только для транскрипции лучше всего охарактеризовать как неправильное применение политики, а не как нарушение, и цена неточности ложится неравномерно: подверженные риску в сфере справедливости и студенты с ограниченными возможностями, которые опираются на эти инструменты, несут непропорциональный риск ложных срабатываний — риск, который правовые вопросы и риски рассматривает как вопрос разумной адаптации, а не как вопрос добросовестности.

Целевая граница вместо списка инструментов. Li (2026) предоставляет то содержание политики, которого недостаёт чрезмерно широкому языку запретов: границу между поддержкой и заменой, определённую функцией и оцениваемым конструктом, а не перечислением инструментов, на том основании, что списки инструментов устаревают и поощряют соблюдение требований через интерфейс. Разрешённая поддержка — это поверхностное вмешательство, которое не добавляет ни идей, ни источников, ни материальной переупорядоченности анализа; замена — это генерация аргументов или контраргументов, применение дисциплинарных правил к фактам, перестройка аналитической последовательности или генерация цитирований для включения. Фреймворк поставляется как три инструмента — рабочие определения с общими быстрыми проверками, чтобы два оценивающих одинаково характеризовали одно и то же поведение, калиброванные шаблоны раскрытия, от ничего для встроенных функций низкого риска до одной строки для внешнего редактирования языка и примерно 80–120 слов там, где генерация идей в ограниченном объёме прямо разрешена, и рубрика решения, которая называет слабые суррогаты (отполированный язык или внезапная беглость, формулировки неносителя, отдельные баллы детекторов) рядом с типами доказательств, которые могут иметь вес. В нём также изложены условия, при которых масштабные разрешительные режимы, такие как AI Assessment Scale, остаются работоспособными: использование прямо разрешено для конкретной задачи, конструкт переопределён так, что студенты и оценивающие знают, что оценивается, и раскрытие остаётся выполнимым.

Поэтапная автоматизация с обязательным человеческим надзором. Национальный тест аккредитации для младшей ступени средней школы Acredita EB в Уругвае (Acredita EB) предлагает конкретную модель сохраняющей надзор автоматизации в политике оценивания: секции с множественным выбором и существующие процедуры остаются неизменными, ИИ используется только для секции письма внутри обязательного этапа калибровки на 50–100 текстах, и два правила отсева решают, какие результаты требуют экспертной проверки — кандидаты, которые не могут сдать по двум другим секциям, не нуждаются в проверке письма, а кандидаты, достигшие уровня Proficient по всем трём секциям, сдаются с наблюдаемым остаточным риском лишь в 0,2%/0,6%. Авторы оценивают, что конструкция могла бы сократить число письменных ответов, нуждающихся в полном человеческом оценивании, по меньшей мере на 50%, сохраняя при этом руководящий принцип, что ни одно итоговое решение о результатах теста не принимается без соответствующего человеческого надзора. Это дополняет описанную выше работу о разрыве между границей и доказательством, показывая политику, которая указывает не только то, где ИИ разрешён, но и то, какие человеческие доказательства и проверка остаются обязательными.

Состязательная сторона автоматического оценивания. Политика, которая направляет оценивание через ИИ-инструмент, наследует поверхность атаки. Humble (2026) провёл red-team аудит институционального процесса оценивания, спрятав пять косвенных инъекций промптов в файлы синтетической работы, которую Microsoft Copilot (GPT-5.2) оценил как неудовлетворительно во всех шести базовых прогонах. Две стратегии повысили оценку без видимого для пользователя предупреждения — зафиксированные частоты успешной атаки составили 100% (9 из 9 итераций) и 94% (17 из 18), — а инструмент и молча отключил чат после блокировки простейшей атаки, и в одной итерации объявил, что будет игнорировать встроенные инструкции, прежде чем повысить оценку в следующих шести прогонах. Оценка, полученная через скрытую инструкцию, не несёт никакого притязания на валидность, и та же техника могла бы ухудшить работу, не оставив долгового следа, поэтому просьбы статьи носят политический, а не технический характер: руководство на уровне сектора, профессиональное развитие, ограниченное использование ИИ с человеческой проверкой для ответственных работ и стандартизированное, домен-агностичное тестирование устойчивости к инъекциям промптов, чтобы поверхность атаки измерялась, а не предполагалась. Это состязательный аналог описанных выше конструкций надзора: там, где те указывают, какая человеческая проверка обязательна, здесь указывается класс манипуляции, для выявления которой проверка существует, но для которого нет надёжного сигнала.

Матрица ценностей и норм как основа политики. Agarwal et al. (2026), систематический обзор 25 статей, консолидируют этику AIED в шесть основных этических ценностей (недопущение дискриминации, ответственное обращение с данными, человеческий надзор, добрая воля, объяснимость, пригодность в образовании) и отображают этические нормы, извлечённые из литературы, на матрицу «заинтересованная сторона × ценность». Обзор позиционирует матрицу как основу для построения детальных этических фреймворков и регулирования AIED, давая образовательным учреждениям, разработчикам и регуляторам конкретные нормы для реализации конкретных ценностей. Он обнаруживает, что нормы доброй воли, направленные на регуляторов, значительно многочисленнее (девять), чем для любого другого набора заинтересованных сторон, что сигнализирует о роли регуляторов в обеспечении выгоды AIED для учащихся через политику и законодательство, — конкретную, опирающуюся на ценности отправную точку для машинерии «политика против управления», которую описывает эта страница.

Утверждения, путешествующие дальше своих оговорок. Анонс пилота — это тоже инструмент политики, и его стандарты освещения — часть политики. Restrepo Morales et al. (2026) анализируют сентябрьский эпизод 2026 года в Сальвадоре, в котором пилот ИИ-тьюторинга в 171 государственной школе был освещён как достигший результатов, сопоставимых с Германией и Швецией: против среднего показателя по математике в PISA 2022 в Германии верхние 5,5% национального распределения достижений совпали бы с эталоном вообще без какого-либо прироста в обучении, а оценивание в пилоте охватывало 7,0 студентов на школу против 25,4 в национальном обследовании того же года, так что опубликованные доказательства не могут исключить отбор как объяснение. Их предложение — стандарт освещения из шести пунктов: исходный уровень участвовавших школ, протокол выборки (отобранные студенты, оценённые студенты, правило идентификации, доля участия), дезагрегированные баллы со стандартными ошибками, оперативная дата каждого компонента реформы, пересечение с репрезентативной национальной выборкой и оговорка, изложенная в том же документе, посте или абзаце, что и утверждение, — мотивированное арифметикой раскрытия самого анонса: пост Всемирного банка, несущий утверждение, зафиксировал около 441 000 просмотров против около 11 000 у поста, несущего оговорку четырьмя позициями позже в той же ветке. Урок политики в том, что когда система использует результаты на уровне школ как доказательство о самой себе, формат раскрытия решает, какое утверждение становится публичным фактом.

Страновый анализ PISA 2022-2025 обнаружил, что страны с более высоким использованием генеративного ИИ показали более значительное снижение в чтении и математике, — связь, которая исчезла после контроля на предыдущую успеваемость (Guerra & Aslanov, 2026). Авторы читают это как предостережение о том, что более широкий доступ к чат-ботам не следует рассматривать как благо само по себе, и призывают сопровождать внедрения лонгитюдной оценкой.

Политика против управления

Политика и управление тесно связаны, но различны, и разделение их важно для понимания исследований базы знаний.

• Политика — это содержание, то, что решено. Политика — это формальное правило, принцип или утверждение: какое использование ИИ разрешено, запрещено или требуется; что должно быть раскрыто; какие форматы оценивания допустимы. Она существует как документированный артефакт (законодательство, институциональное руководство, формулировка в учебной программе) и отвечает на вопрос «каковы правила?»

• Управление — это машинерия, как решается, внедряется и обеспечивается соблюдение. Управление охватывает институциональные структуры, нормы и механизмы подотчётности, которые производят, осуществляют и наблюдают политику: кто устанавливает правила, как они сообщаются и обеспечиваются ресурсами, как обеспечивается соблюдение и как оно оспаривается, и как они пересматриваются по мере эволюции ИИ. Оно отвечает на вопрос «кто решает, и как правила действительно вступают в силу?»

• Они взаимозависимы. Политика без управления не исполняется — письменное правило, которым никто не владеет, которое никто не наблюдает и не обновляет. Управление без политики не имеет направления — структуры, которые не управляют ничем конкретным. Исследования базы знаний повторённо показывают, что и то и другое должно строиться вместе: политика, которая только классифицирует использование ИИ без управления, указывающего доказательства, защитные меры и процессы пересмотра, остаётся слабой на практике (аудит когнитивной опеки), а управление, которое лишь наблюдает без ясной политики, рискует обернуться слежением без справедливости (см. управление ИИ).

• Старшее руководство в области ИИ редко относительно стратегических амбиций. Scoping-обзор 19 источников обнаружил, что лишь 7% учреждений создали роли старшего руководства в области ИИ, хотя 49% рассматривали ИИ как стратегический приоритет, при этом большинство включённых исследований были концептуальными или поперечно-срезовыми, так что никакого причинного эффекта упреждающего управления установить не удалось (Baroudi (2026)).

Практический тест, который их разделяет: политику можно прочитать на бумаге, но управление наблюдается в том, внедряется ли правило, обеспечивается ли его соблюдение и адаптируется ли оно. Именно поэтому Управление ИИ распространяет Регулирование ИИ в образовании и политику в учреждения, и почему база знаний рассматривает выбор формата оценивания (Итоговое оценивание) как решения политики, которые становятся эффективными только через структуры управления, такие как комиссии по пересмотру, фреймворки заявлений и маршруты обжалования.

Политика в аудитории как интерпретирующая граница управления. Машинерия управления не останавливается на институциональном документе; преподаватели, которые читают его и адаптируют, — последнее звено в цепи, и Nash & Burriss (2026) показывают, как это звено выглядит на практике. Их преподаватели-стажёры ожидали работать в районах с политиками по ИИ, но всё равно должны были составлять специфичные для аудитории правила для своих собственных студентов — существенный навык адаптации, — и авторы утверждают, что преподаватели могут отказаться внедрять ИИ для конкретных задач на чтение и письмо, не игнорируя его, при этом принципиальный отказ отличим от некритического отвержения. Поддержание этого различия жизнеспособным само по себе является задачей управления: районам и программам подготовки нужны руководства, профессиональное развитие и инфраструктура политики, позволяющие преподавателям отказываться от конкретных применений, не выставляя их отстающими от времени.

Индикаторы управления для проблемы аутентификации. Coates, Croucher and Calderon (2025) предоставляют слой измерения, который подразумевает это различие политики против управления, рассматривая Академическая добросовестность в эпоху GenAI как проблему управления прежде, чем проблему обнаружения, и оценивая современное академическое управление как устойчивое, но «не хорошо позиционированное или готовое» защищать аутентификацию студенческого Оценивание. Их фреймворк содержит 130 вопросов управления под восьмью измерениями — Designing, Developing, Training, Implementing, Analyzing, Reporting, Evaluating и Improving, — и пункты являются вопросами об институциональной машинерии, а не психометрическими шкалами: получает ли высший совет или совет учреждения обновления о процессах и результатах оценивания, охватывают ли ключевые показатели эффективности качество оценивания, какой процент студентов известен индивидуально преподавателям, которые их оценивают, перепроверяются ли экстремально низкие или высокие оценки, и есть ли простой маршрут для передачи дел о контрактном списывании. Сопровождающая программа реформ нацелена на архитектуры управления, людей, занимающих роли управления, и технологии и ресурсы, поддерживающие оценивание, а авторы утверждают, что малое институциональное развитие окупается без внешнего содействия со стороны регулирования, бенчмаркинга и межучрежденческой конкуренции — того же регуляторного давления, которое страница Регулирование ИИ в образовании рассматривает как ограничивающий фактор реформы управления.

• Разрыв измеряется и в K-12, а не только в университетах. Национально репрезентативное обследование 1 018 преподавателей и директоров американских государственных школ обнаружило, что лишь 18% преподавателей и 24% директоров сообщают о школьной политике по генеративному ИИ — та же закономерность «ниже уровня учреждения», которую эта страница документирует в высшем образовании (Tench, Weinstein & James, 2026).

Дефицит политики в исследованиях на стыке ИИ и SEL

Систематический обзор 65 статей на стыке ИИ и социально-эмоционального обучения (Tran, Liu & Nguyen 2026) документирует «дефицит политики»: почти три четверти исследований не излагают никаких следствий для политики, а те, которые излагают, часто не обладают ориентацией на конкретных действующих лиц. Обзор обнаруживает, что вовлечённость в политику вовлечённость в политику коррелирует с местом публикации, отражая академические стимулы, которые вознаграждают техническую новизну выше, чем Управление ИИ и Регулирование ИИ в образовании. Он предлагает фреймворк «WH-вопросов» (Кто, Что, Почему, Когда/Где, Как) и переход от «следствия как последней мысли» к «следствию как методологии» — рассмотрение формулирования политики как проектного ограничения исследования, а не как постфактумного добавления.

Связанные концепции

• Педагогические партнёрства — Педагогические партнёрства
• Регулирование ИИ в образовании
• Управление ИИ
• Развитие педагогической практики
• Справедливость
• Высшее образование
• K-12
• Академическая добросовестность
• Этика
• ИИ-компетентность преподавателя
• Формирование представлений об использовании ИИ для студентов
• Итоговое оценивание
• Химическое образование — Образование в области химии и ИИ: лаборатории, формирующее оценивание, пределы LLM, философия экспериментирования
• Образование в области биологии — Образование в области биологии и ИИ: ассистенты в лабораторных занятиях, ИИ-грамотность в биологии, критическое мышление, специализированные инструменты
• Заинтересованные стороны — Зонтичная концепция: люди и аудитории в образовании с ИИ (учащиеся, преподаватели, дизайнеры, администраторы, разработчики политики)
• Поддержка студентов и их успех — политический контекст для развёртывания институциональной поддержки

Связанные статьи

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — Национально репрезентативное обследование американских преподавателей и директоров об охвате политики по ИИ, агентности и пяти аудиторных приёмах (Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Когда университеты продвигают GAI, но практика отстаёт: оценки студентов и вовлечённость в творческий процесс в художественном образовании
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Политики по ИИ в аудитории у преподавателей-стажёров по английскому языку: что они разрешали, ограничивали и запрещали (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Фреймворк «человек в контуре» для оценивания письма с помощью ИИ в крупномасштабных системах
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Вывод разрешённых и запрещённых способов использования GenAI задание за заданием из того, что оценивается (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Как преподаватели регулируют ИИ в 31 000 учебных программ курсов (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — Замещение задач ИИ как механизм инфляции оценок (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Глобальное Дельфийское исследование об управлении генеративным ИИ в высшем образовании
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Руководство вместо политики: правила учебных программ, заданные преподавателями, и экосистема поддержки из четырёх блоков в 50 инновационных американских университетах (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Сравнение политик юридических школ по GenAI по пяти факторам в отрасли, делающей политику без доказательной базы (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Транскрипция — не генерация: чрезмерно широкие правила об ИИ, преобразование формата и адаптация для инвалидов (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Упреждающее управление ИИ в высшем образовании (scoping-обзор)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Документы политики по ИИ во всех 48 аккредитованных магистерских программах по медицинской информатике: в основном руководства, центрированные на академической добросовестности (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Когнитивная опека в опосредованном ИИ оценивании (аудит политики 30 университетов)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• 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
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — Дефицит политики в исследованиях на стыке ИИ и SEL
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Этические ценности и нормы для ИИ в образовании
• Zero-shot governance — Управление без примеров: ИИ общего назначения в политике (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Ограничение утверждения об обучении из пилота ИИ-тьюторинга в Сальвадоре (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1 057 американских преподавателей: 87% пишут собственные правила для заданий при скудных институциональных и кафедральных руководствах (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Целевая граница между поддержкой и заменой с калиброванным раскрытием и рубриками решений (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Инъекции промптов в опосредованном ИИ оценивании: оценки изменяются незамеченными, и ответ на уровне политики (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 индикаторов управления для аутентификации оценивания и внешнего давления, в котором нуждается реформа (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Уровень политики против конструкции задачи: для чего студенты использовали GenAI в трёх оцениваниях по физике (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — Более высокое использование генеративного ИИ на страновом уровне сопровождалось более значительным снижением в PISA 2022-2025 — корреляция, которая исчезла после контроля на предыдущую успеваемость (Guerra & Aslanov 2026)