Высшее образование

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Высшее образование — интеграция искусственного интеллекта в университетское преподавание, обучение, оценивание и управление. Высшее образование является наиболее изученным контекстом в базе знаний: более 100 статей рассматривают, как ИИ трансформирует преподавание на университетском уровне, институциональную политику и студенческий опыт. ИИ в высшем образовании — это одновременно доминирующая площадка для AIED исследований и место, где его противоречия проявляются наиболее отчётливо: между обещанием масштабируемой персонализации со стороны генеративного ИИ и рисками для академической честности, обучения, Приватность и равенства. Эта область охватывает как бакалавриат, так и магистратуру и аспирантуру, включая профессиональные программы, такие как медицина и бизнес.

Вопросы для размышления

• Именно в высшем образовании противоречия ИИ проявляются наиболее отчётливо — масштабируемая персонализация в сравнении с рисками для академической честности, обучения, приватности и равенства. Какие из этих противоречий вы наблюдаете наиболее конкретно в вашем собственном учебном заведении?
• Крупные исследования выявляют разрывы между институциональной политикой и тем, что студенты фактически делают с ИИ изо дня в день. Как вы думаете, почему официальная политика так часто расходится с реальной студенческой практикой?
• Страница рассматривает внедрение ИИ как неравномерное: одни учебные заведения трансформируются, другие отстают, что определяется организационными драйверами и национальной политикой. Какие факторы, по-вашему, определяют, адаптируется университет или топчется на месте?
• Когда ИИ делает персонализированную индивидуальную поддержку почти бесплатной и общедоступной, как это меняет ценность и роль самого университета? Что становится более дефицитным и, следовательно, более ценным?
• Один из выводов отмечает сокращение времени на учёбу среди студентов колледжей, использующих ИИ. Если студенты тратят меньше времени на учёбу, но сообщают об удовлетворённости, что это говорит о том, что учебным заведениям следует измерять и охранять?
• Учитывая разрыв между самооценкой преподавателями готовности к ИИ и фактической готовностью, каким могло бы быть содержательное развитие преподавателей в вашем контексте — и кто должен отвечать за это?

Введение

Исследования ИИ в высшем образовании охватывают каждую функцию университета: от репетиторства с помощью ИИ и автоматической проверки работ до развития преподавателей, академической честности, институционального управления и поддержки студентов. Статьи базы знаний о высшем образовании группируются вокруг нескольких ключевых тем: институциональной трансформации, студенческого опыта в масштабе, преподавателей и преподавания, оценивания и академической честности, а также быстрого сдвига в политике и практике.

Институциональная трансформация

Рамки институциональных изменений анализируют, как университеты адаптируются к ИИ — не только на уровне аудитории, но и на уровне политики, управления и организационной структуры. Рамка EPIQ-AI переосмысляет готовность преподавателей как задачу социотехнического согласования, включающую эпистемические, педагогические, институциональные и качественные измерения. Переосмысление университетов в эпоху ИИ рассматривает, могут ли нынешние институциональные модели вместить образование, управляемое ИИ. Внедрение не является однородным: исследования организационных драйверов выявляют, что обеспечивает или блокирует институциональное принятие, а анализы национальной политики показывают, как системный контекст формирует реакцию университетов. Конкретный институциональный план даёт Цинь (2026), документирующий перепозиционирование Университета Линнань как «Исследовательского либерально-художественного учебного заведения цифровой эпохи», предписывающего GenAI-грамотность для всех студентов бакалавриата и встраивающего цифровую грамотность в общее ядро программ при одновременной разработке модели human-in-the-loop, выдвигающей на передний план этическое рассуждение и критическое суждение, — и утверждающего, что сдвиг «ИИ для образования» представляет собой интеллектуальную трансформацию, а не техноцентричное дополнение. Картирование на макроуровне 22 интервенций по интеграции ИИ в высшее образование (Аль-Шейх и др., 2026) подтверждает, что трансформация остаётся скорее стремлением, чем реальностью: по шкале модели SAMR большинство интервенций находятся на уровне подстановки или дополнения, интеграция сконцентрирована в медицине, инженерии и информатике с незначительным присутствием гуманитарных наук, а доказательства смещены в сторону Северной Америки и Азии с минимальным представительством Глобального Юга.

Глобальный сравнительный индекс измеряет разрыв между дискурсом и структурой. Чан (2026) закодировал официальные сайты всех 100 университетов рейтинга Times Higher Education 2026 с помощью Индекса институционализации ИИ из 20 показателей. Символический слой насыщен, а структурный — тонок: 100% имеют целевую группу по ИИ и магистерскую программу по ИИ, но лишь 12% имеют исполнительное ИИ-руководство, 5% требуют вводного курса по ИИ для студентов бакалавриата, а 0% публикуют политику доступности ИИ, несмотря на то что 93% разворачивают ИИ-сервисы в кампусе.

Институционализация также оказалась независимой от престижа (ранговая корреляция r ≈ 0,04), со значимой региональной вариацией (ANOVA F = 5,86, p < ,001; Северная Америка M = 0,63 в сравнении с Европой 0,51 и Азией 0,50) и типологией из шести моделей, в которой лишь небольшая подгруппа преимущественно крупных государственных университетов США достигает «глубокой институционализации». Автор отмечает, что индекс является первогенерационным, невалидизированным, основанным только на сайтах показателем элитной верхней сотни — сравнительной картой, а не оценочной таблицей.

То, какие формы применения GenAI учебное заведение признало легитимными, само по себе измеримо. Сан, Дон и Рем (2026) классифицировали 102 эмпирических исследования высшего образования по тому, как эпистемическая работа распределялась между студентом и системой, и обнаружили, что приложения типов «помощник» (42,16%) и «посредник» (42,16%) доминируют, тогда как «генератор», «переосмыслитель» и «синтезатор» вместе составляют менее пятой части корпуса — не потому что модели не могут делать остальное, а потому что маргинальные формы распределяют авторство способами, которые логика индивидуальной компетентности университета пока не признаёт. По их мнению, связывающим ограничением для GenAI в высшем образовании является институциональная легитимность, а не техническая возможность, что ставит вопрос в ту же территорию политики и перепроектирования оценивания, что и академическая честность и реформа Оценивание.

Развёртывание ИИ вне аудитории стало вопросом защиты прав потребителей, при этом студенческая сторона его учёта недостаточна. Отчёт SHAPE AI организации Student Defense (2026) картирует институциональное применение ИИ в приёме, найме и финансовой помощи, сервисах студенческого успеха (консультирование, психологическая поддержка, доступ к пособиям, перенос кредитов) и предоставлении образования — встроенные в LMS функции от Canvas, Blackboard и D2L Brightspace, общеинституциональные GenAI-платформы, системы репетиторства и обратной связи, детектирование и прокторинг — и утверждает, что принятие опережает защиту. Его шесть сквозных проблем (получают ли студенты то, за что платят; утрата учебных сообществ; раскрытие информации и прозрачность; приватность данных; предвзятость; калиброванный человеческий надзор) соединены с фильтром закупок из четырёх вопросов: какую проблему решают, существует ли потенциал управления, прозрачно ли действует учебное заведение и создаёт ли развёртывание ценность для студентов. Позиция отчёта состоит в том, что штаты, аккредитующие органы и федеральное Министерство образования пока не оснащены для того, чтобы выявлять эти риски, оставляя собственную письменную политику учебного заведения в качестве действующей защиты, и прямо называет режим отказа: колледж, рекламирующий программу под руководством преподавателей, в то время как преподавание или проектирование курса отданы ИИ или сторонним поставщикам, продаёт другой продукт под собственным именем.

Студенческий опыт в масштабе

Крупномасштабные исследования реального применения ИИ студентами и доступности GenAI и удовлетворённости документируют, как студенты фактически используют ИИ, — выявляя разрывы между институциональной политикой и повседневной практикой. Опросные исследования фиксируют, как студены ориентируются в ландшафте ИИ, а исследования времени на учёбу, ИИ-навыков выпускников и представлений студентов об инструментах ИИ показывают, что студенческий опыт ИИ неоднороден — эффективный, но зачастую более поверхностный. Значительная часть этого университетского обучения теперь происходит онлайн, где онлайн-преподавание и обучение формируют как выгоды ИИ (масштабируемая персонализация, постоянная доступность поддержки), так и его риски (академическая честность, когнитивная разгрузка) для студентов колледжей. Исследовательский подход машинного обучения с использованием SHAP-анализа изучил, как представления и демографические характеристики студентов соотносятся с намерением использовать ChatGPT в учёбе, отдавая приоритет интерпретируемости (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). В художественном и дизайнерском образовании, где генеративный ИИ оспаривает ценность человеческой Креативность, модель проектного обучения с ядром из цифрового сторителлинга развивала эмоциональные, культурные и нарративные способности, которых нет у ИИ, — оценённая посредством встроенного кейс-стади продолжительностью 15 недель с 426 китайскими студентами бакалавриата, переводившими местное культурное наследие в Мультимодальный ИИ нарративы (In the AI era: A project-based digital storytelling framework for art and design education). Ассистивное и инклюзивное применение GenAI также меняет студенческий опыт для обучающихся с ограниченными возможностями: Хлаиф и др. (2026) — качественное кейс-стади 21 студента бакалавриата с нарушениями зрения в трёх палестинских университетах — обнаружили, что GenAI адаптирует темп, содержание и форму подачи под индивидуальные профили, упрощает сложные тексты и конвертирует содержание между модальностями, давая обучающимся чувство автономии и уверенности в участии на занятиях, и при этом воспринимается как дополняющий, а не заменяющий преподавателей.

За пределами аудитории ИИ достигает студентов через само учебное заведение — через консультирование, аутрич, направление и распределение дефицитной поддержки, — что студенческая поддержка и успех собирает как собственный корпус доказательств. Его центральное предостережение о масштабе исходит из четырёхлетней рандомизированной оценки (N = 8 708), в которой подталкивания при регистрации сдвинули срок на 34 процентных пункта, тогда как окончание обучения, зачётные единицы и средний балл не сдвинулись вовсе.

Магистратура и профессиональное образование

База знаний сильно смещена в сторону обучения на бакалавриате, и она размещает подготовку в магистратуре и профессиональную подготовку внутри страниц по конкретным дисциплинам (медицинское образование и образование для профессий здравоохранения, бизнес-образование, педагогическое образование) вместо отдельной страницы о магистратуре. Два направления, тем не менее, относятся конкретно к магистрам, докторантам и студентам профессиональных программ: исследовательская подготовка и программы профессиональных степеней.

Практика постдипломного исследования является более специфичной из двух. Дай и Чан (2026) проанализировали, как 28 аспирантов-исследователей в семи фокус-группах реализуют ИИ-грамотность в своих исследованиях с помощью GenAI, и обнаружили, что они являются откалиброванными пользователями, а не пассивными приёмщиками, — сопоставляя инструменты с задачами по воспринимаемой значимости и дисциплинарным нормам, сохраняя человеческий контроль и проводя собственные границы между приемлемой помощью в составлении текста и подменой своего собственного рассуждения. Их центральный вывод — пробел в политике: институциональные руководства по GenAI касаются преподавания, обучения и оценивания, но почти ничего не говорят об исследовательском процессе, поэтому авторы предлагают ориентированные на исследователей руководства, которые создают скаффолдинг (опору, постепенно снимаемую поддержку) для каждого измерения ИИ-грамотности в исследовательском рабочем процессе для исследователей и их научных руководителей. О, Талтон и Буй (2026) подходят к той же популяции со стороны учебного заведения: среди 93 выпускников и постдоков по бионаукам в обязательном курсе исследовательской этики три простых поведенческих сигнала до начала обучения позволили построить лёгкое профилирование при поступлении для адаптивного обучения Этика с помощью ИИ, тогда как предшествующие курсы по ИИ не предсказывали ни одного из пяти исходов восприятия. ИИ также меняет саму исследовательскую команду: анализ 147 074 публикаций с 2020 года связывает написание текстов с помощью ИИ с более мелкими командами, состоящими преимущественно из младших сотрудников и выпускающими высокоцитируемые работы, что обращает вспять многолетний дрейф «большой науки» к более крупным коллаборациям, — а кейс-стади одного исследователя документирует, как выглядит устойчивая поддержка со стороны агентного ИИ в рабочем процессе одного исследователя.

Программы профессиональных степеней содержат большую часть доказательств уровня магистратуры, и они организованы по дисциплинам. В образовании для профессий здравоохранения рандомизированное контролируемое исследование со 100 студентами третьего курса медицинских факультетов протестировало мультиагентную LLM-систему — симулированного пациента, сократического тьютора, оценщика на уровне реплик, — организованную вокруг явных функций Скаффолдинг для обучения клиническому интервьюированию, тогда как рамка SCAN переосмысляет применение ИИ стажёрами как задачу распределения задач и классификации метакогнитивных состояний в реальном времени, а не как неправомерное использование со стороны обучающихся. Подготовка уровня магистратуры появляется в Чжу и др. (2026), чья модель D–T–E повысила компетентность в проектировании обучения у студентов магистратуры математического образования (коэффициент d Коэна = 0,62) за счёт того, что три LLM действовали как «интеллектуальные рецензенты» в цикле проектирование–обратная связь–рефлексия. То, как студенты концептуализируют GenAI и собственную профессионализацию, пересекает эти программы, тогда как обучение на рабочем месте и непрерывное профессиональное обучение — смежное, но отличное от обучения в магистратуре, — рассматривается в рамках Взрослые учащиеся и Обучение на рабочем месте.

Преподаватели и преподавание

Исследования Развитие педагогической практики рассматривают, как преподаватели принимают ИИ, сопротивляются ему или адаптируются к нему. Исследования принятия ИИ преподавателями выявляют уверенность, поддержку и отношение как ключевые предикторы. Исследования обратной связи по усмотрению с помощью ИИ рассматривают, повышает ли ИИ качество обратной связи и её количество преподавателей, а этическое исследование взвешивает, следует ли преподавателям вообще использовать ИИ для обратной связи. Исследования взглядов персонала и феноменографические исследования представлений преподавателей прощупывают, как педагоги понимают свою меняющуюся роль. В условиях больших групп ИИ теперь может взять на себя растущую долю нагрузки по обратной связи: полугодовой полевой эксперимент на занятиях по макроэкономике для студентов бакалавриата (Гешвинд и др., 2026) обнаружил, что индивидуальная обратная связь GPT-4 обеспечивала наивысшее участие на протяжении восьми открытых заданий и давала наибольший прирост в обучении по содержанию, позиционируя обратную связь ИИ как масштабируемое дополнение к обратной связи лекторов и замену ненадёжной обратной связи сокурсников. Дополнительным маршрутом для больших STEM-занятий студентов бакалавриата является диагностическая система ассистента преподавателя: Артур (Инь и др., 2026) использует МО-основу на каждый вопрос для предоставления персонализированной обратной связи в реальном времени по расчётным формульным заданиям инженерной экономики — области, где рукописные решения ранее блокировали поддержку ИИ, — через веб-интерфейс на основе диалога и банка вопросов, уравновешивающий точность обратной связи с эффективностью сбора данных. Фаразули и др. (2026) фиксируют эмоциональное измерение этого изменения: 24 шведских университетских преподавателя испытали появление GAI как тревожное и ошеломляющее, сообщая о «состоянии уязвимости» (низкая уверенность, неуверенность в себе, страх «не опережать студентов») и чувствуя себя «застрявшими» между утопическими и дистопическими дискурсами, — при этом переосмысливая Оценивание и переоценивая свои приоритеты в сторону критического мышления и этического применения GAI.

Оценивание и академическая честность

Академическая добросовестность и исследования реформы оценивания в эпоху ИИ борются с вопросом, как университетам следует перепроектировать оценку для студенческого сообщества, способного использовать ИИ. Подходы, центрированные на детектировании, уступают место Аутентичное оценивание и процессуальной оценке, включая устные экзамены, двойники оценивания и перепроектирование аутентичного оценивания. Этот сдвиг отражает более глубокую озабоченность: как студенты и учебные заведения определяют списывание с помощью ИИ, и качество экзаменационных материалов, созданных ИИ. Автоматизация самой проверки работ зреет для открытой университетской работы: Печухова, Бенко и Дрлик (2025) провели бенчмарк одиннадцати моделей GenAI и моделей эмбеддинга предложений на 1 885 ответах на 24 вопроса экзамена по программной инженерии и обнаружили, что только GPTo1 достиг почти совершенного согласия с двумя экспертными людьми-оценщиками (каппа Флейсса 0,82), при этом модели, чувствительные к контексту, превзошли модели, основанные на эталонных ответах, — но стоимость её проприетарного API привела авторов к рекомендации гибридного развёртывания с человеком в контуре для учебных заведений с ограниченными ресурсами. На уровне профессиональных программ Ольвет и др. (2026) показывают, что оценивание с помощью Большие языковые модели (LLM) (GPT-4) открытых экзаменационных вопросов медицинского образования до клинической практики может достигать значительного до почти совершенного согласия с оценками преподавателей (взвешенная каппа до 0,94) после итеративного уточнения рубрик человеком, тогда как авторы всё же рекомендуют сохранять человека в контуре для арбитража остаточных расхождений. В дополнение к этим доказательствам на уровне моделей Фалахат, Дас, Бхаумик и Тамби (2026) оценили экзамен по фармации из 21 задания в университете с помощью ChatGPT-5 и обнаружили почти совершенное согласие с преподавателями по заданиям с объективными ответами (CCC 0,935–1,000), но ненадёжное согласие по заданиям с кратким ответом и по эссе, при этом предоставление рубрик не приводило к последовательному улучшению результата, — что усиливает аргумент в пользу гибридной оценки с человеком в контуре в университетском оценивании.

Практические следствия для преподавателей высших учебных заведений

• Проектируйте оценивание для студентов, способных использовать ИИ. Подходы к академической честности, центрированные на детектировании, уступают место аутентичной и процессуальной оценке (за пределами детектирования, реформа оценивания) — перепроектируйте то, что вы оцениваете, а не только то, как вы это контролируете.
• Переосмыслите вопрос «чему студенты всё ещё должны научиться вручную?» Как и в вычислениях, решите, какие навыки необходимо сохранить (проверка, суждение, процесс), и сделайте их ядром оцениваемого, вместо того чтобы предполагать, что ИИ-навыки переносятся автоматически.
• Рассматривайте готовность преподавателей как социотехническую, а не только техническую. EPIQ-AI формулирует готовность через эпистемические, педагогические, институциональные и качественные измерения — согласуйте свою практику преподавания с институциональным управлением, а не только с владением инструментами.
• Устраняйте разрыв между политикой и практикой. Крупномасштабные исследования (ИИ в реальной практике) показывают, что студенты используют ИИ способами, которых институциональная политика не предвосхищает, — согласуйте свои ожидания с реальным использованием и напрямую обучайте ИИ-грамотность.
• Используйте ИИ для повышения качества и количества обратной связи. Обратная связь с помощью ИИ может увеличить объём обратной связи, которую дают преподаватели; соедините её с человеческим суждением, чтобы она улучшала обучение, а не просто автоматизировала его.
• Осознанно работайте с инновациями в проверке и оценивании. Месни, Роберж-Малтэ и Гали (2026) утверждают, что Оценивание и выставление оценок относятся к числу наиболее влиятельных факторов, формирующих обучение в высшем образовании, но при этом они остаются недостаточно исследованными в таких областях, как образование в области менеджмента (всего 58 статей за 20 лет в четырёх ведущих журналах). Традиционные подходы с преобладанием суммативного оценивания и с нормативной ориентированностью подрывают глубокое обучение, Благополучие, равный доступ и академическую честность в эпоху генеративного ИИ; авторы призывают преподавателей более активно и взаимно включаться в пять инновационных практик (аутентичное оценивание, само- и взаимооценивание, переоценивание, оценивание на основе стандартов, отказ от оценок), отмечая, что внедрение требует институциональной и культурной поддержки и постепенных экспериментов.
• Рассматривайте исследовательскую подготовку и научное руководство как самостоятельную площадку ИИ-грамотности. Аспиранты-исследователи реализуют ИИ-грамотность как ситуативную практику, а не как статичный набор навыков, и институциональные руководства в основном останавливаются на преподавании и оценивании. Руководства по работе над диссертацией и публикациями должны создавать скаффолдинг для конкретных процедур проверки, указания авторства и раскрытия информации для каждого измерения ИИ-грамотности — а простые сигналы до начала обучения могут адресно направлять эту поддержку на курсах исследовательской этики, — вместо того чтобы издавать бинарные правила.

Связанные понятия

• Педагогические паттерны — уровень, на котором была получена большая часть доказательств по проверенным последовательностям
• Онлайн-преподавание и онлайн-обучение — Онлайн-преподавание и обучение
• Генеративный ИИ — Технологии и модели генеративного ИИ
• Большие языковые модели (LLM) — Большие языковые модели
• Опыт студентов — Студенческий опыт с ИИ в высшем образовании
• Развитие педагогической практики — Развитие преподавателей и готовность к ИИ
• Академическая добросовестность — Академическая честность в сообществе студентов, способных использовать ИИ
• ИИ-грамотность — ИИ-грамотность для студентов и преподавателей
• Валидность оценивания — Валидность оценивания в эпоху GenAI
• Политика в области образовательного ИИ (Educational AI Policy) — Политика в области образования по отношению к ИИ
• Регулирование ИИ в образовании — Регулирование ИИ в образовании
• Дистанционный прокторинг — Удалённый прокторинг и автоматическая добросовестность на экзаменах
• Самонаправленное обучение — Самостоятельное обучение с ИИ
• Обучение, основанное на проблемах — Проблемное обучение с ИИ
• Преподавание — Меняющаяся роль преподавателя в аудиториях с ИИ
• Заинтересованные стороны — Обобщающая категория: люди и аудитории в образовании с ИИ (учащиеся, преподаватели, разработчики, администраторы, политики)
• Образование в области искусств, дизайна и медиа
• Поддержка студентов и их успех — консультирование, аутрич, направление и распределение поддержки — институциональная сторона студенческого успеха

Связанные статьи

• How colleges and universities are adopting AI in higher education: a global comparative analysis — Чан (2026): Индекс институционализации ИИ по 100 университетам верхней части рейтинга; дискурс опережает структуру, внедрение не зависит от престижа
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Рамка готовности преподавателей EPIQ-AI
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI — ИИ в реальной практике: использование ИИ студентами колледжей
• A Framework for Institutional Change in the Age of AI — Институциональные изменения в эпоху ИИ
• Generative AI Availability, Grades, and Student Satisfaction at a Large University — Доступность GenAI и удовлетворённость студентов
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Шкала оценки ИИ и реформа
• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Переосмысление университетов в эпоху ИИ
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Внедрение ИИ среди преподавателей
• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education — Взгляды персонала на GenAI в высшем образовании
• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — Организационные драйверы внедрения ИИ в высшем образовании
• Is It Ethical for Teachers to Use AI for Student Feedback? — ИИ в обратной связи студентам: этика
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond detection: redesigning authentic assessment in an AI-mediated world
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — Опыт применения GenAI среди студентов британских вузов (опрос)
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Преподаватели и работодатели об ИИ-навыках выпускников колледжей
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Сокращение времени на учёбу на 26,9% среди студентов колледжей
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — Политика британского высшего образования в отношении ИИ
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking — Инструменты ИИ, учебная работа и списывание
• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Assessing the quality of AI-generated exams: a large-scale field study
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Двойники оценивания для укрепления валидности оценивания в эпоху GenAI
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — феноменографическое исследование представлений преподавателей университетов об ИИ
• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Digital transformation of a liberal arts university toward a research-intensive model in the GenAI era (Qin 2026)
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Systematic review mapping AI integration in higher ed via FACETS + SAMR frameworks (AlSheikh et al. 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — Применение GenAI аспирантами-исследователями в исследовательском рабочем процессе и ориентированные на ИИ-грамотность руководства (Дай и Чан, 2026)
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Интенсивность вовлечённости как сигнал моделирования обучающегося для адаптивного обучения этике с помощью ИИ (О, Талтон и Буй, 2026)
• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — Написание текстов с помощью ИИ сдвигает исследовательские команды к более мелким коллаборациям с преобладанием младших сотрудников и высокой цитируемостью (Ван и др., 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: репетиторство с ИИ и с человеком дают эквивалентный прирост в обучении по GRE
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
• Literacy demands placed on students in student–GenAI entanglements in higher education — Формы «помощника» и «посредника» доминируют в исследованиях GenAI в высшем образовании; маргинальные типы переплетения остаются редкими по институциональным, а не техническим причинам (Сан, Дон и Рем, 2026)
• Students at Stake: Risks of AI Deployment in Higher Education — Студенческая карта развёртывания ИИ в приёме, финансовой помощи, студенческих сервисах и предоставлении образования с фильтром закупок из четырёх вопросов (Student Defense, 2026)