Образование в области информационных технологий

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Образование в области информационных технологий — отрасль вычислительного образования, которая готовит практиков к выбору, развёртыванию, защите, администрированию и управлению социально-техническими системами, которые организации действительно используют, а не к изучению вычислений как самостоятельной дисциплины. Его ближайший сосед и источник большинства путаницы в границах — Информатика (CS) в образовании: образование в области компьютерных наук сосредоточено на алгоритмах, программировании и формальных основаниях, тогда как ИТ-образование сосредоточено на прикладной конфигурации, кибербезопасности, управлении данными и информацией и организационном Управление ИИ этими системами. Generative AI приходит в эту область дважды — как объект, который студенты должны научиться оценивать, защищать и регулировать, и как инструмент, который их обучает, классифицирует их вопросы и тихо переписывает professional траектории, к которым их готовят.

Вопросы для размышления

Если ИИ сжимает циклы «создал-сломал-починил», которые исторически формировали ИТ-экспертизу, какие базовые компетенции учебный план должен намеренно защищать, а какие можно делегировать инструменту?
Студенты знают правила своего учреждения и всё же не могут сказать, соответствует ли им их собственное использование. Это провал коммуникации, или инструмент на основе правил — неверный рычаг для практики, которая происходит приватно в личных аккаунтах?
ИТ-образование находится между компьютерными науками, бизнесом и профессиональным образованием. Кто должен владеть компетенцией управления ИИ — курс, сквозная нить учебного плана или результат на уровне программы?
Если классификатор на трансформере отделяет вопросы учащихся более высокого порядка с точностью примерно 79%, следует ли ИТ-программам вообще автоматизировать формативную обратную связь по questioning?
Большинство ментальных моделей GenAI у студентов декларативны и поверхностны. Предсказывает ли это misuse или только неспособность объяснить решения, которые студенты на самом деле принимают правильно?

Введение

ИТ-образование — это прикладное крыло вычислительной области. Оно учит людей заставлять системы работать внутри организаций — сети, базы данных, операции безопасности, управление медицинской информацией, услуги электронного правительства — и его выпускников обычно оценивают профессиональные органы и работодатели, а не только академия. Отличительность относительно Информатика (CS) в образовании — это единица анализа. Образование в области КS берёт программу и алгоритм как объекты; ИТ-образование берёт развёрнутую систему и суждение практика о ней. Там, где в области КS обсуждают, размывает ли ИИ-генерация кода навык программирования, в ИТ-образовании обсуждают, размывает ли ИИ-диагностика неполадок диагностический навык, связывает ли кого-либо написанный ИИ нормативный документ и могут ли выпускники управлять системами данных, которые они администрируют.

Смежные дисциплины пересекаются по-разному. STEM-образование — родительская категория, разделяющая те же инструменты, но ИТ-образование чаще является профессиональной магистратурой или прикладной программой бакалавриата, чьи выпускники входят в регулируемые рабочие места. Бизнес-образование соседствует через информационные системы и программы электронного правительства, которые часто делят курсы и студентов с ИТ-учебными планами. Профессиональное образование и подготовка — другой сосед по профессиям: обе области готовят к практике, но программы профессионального образования нацелены на компетенцию технического уровня в определённых специальностях, тогда как ИТ-образование предполагает абстрактное системное мышление и выпускает людей, которые пишут документы управления, а не только следуют им. Высшее образование называет уровень, а не область, и область несёт на себе поверхность аккредитации и соответствия — аккредитация медицинской информатики, обязательства HIPAA и FERPA в отношении данных, с которыми работают студенты, — что формирует то, что считается легитимным учебным планом.

Отличительное в отношении ИИ в этой области — то, что одна и та же технология является и содержанием учебного плана, и педагогикой. Собранные доказательства сходятся на одной неудобной теме: текущая повестка ИИ в ИТ-образовании доминируется академической честностью и внедрением инструментов, тогда как компетенции управления, безопасности и этики данных, которых требуют собственные рабочие места этой области, оказываются по большей части вне документов, которые студенты действительно получают.

Как ИИ проявляется в ИТ-образовании

Геймифицированное обучение кибербезопасности. Li и коллеги построили несколько коротких, дружественных к мобильным устройствам игр, охватывающих от безопасности паролей до распознавания текстовых и телефонных мошенничеств, сочетая квизовые, нарративные и основанные на Моделирование проекты с интерактивными форматами, такими как TikTok Mini-Games, движимые низким вовлечением и ограниченной эффективностью обычного видеообучения (Security Education in Higher Education through AI-Powered Gamification). Их двухуровневая оценка с 59 студентами колледжа (9 технических экспертов, 50 обычных пользователей) сообщает о потенциале повышения вовлечения и внимания к кибербезопасности, а не о продемонстрированном приросте в обучении.
GenAI как опора или замыкание в саморегулируемом обучении. Смешаннометодное исследование 267 аспирантов-ИТ-специалистов в Австралии различает опорную Когнитивный оффлоадинг (учащиеся уточняют цели, генерируют идеи, получают Обратная связь, которую затем критикуют и адаптируют, поэтому Автономность учащегося остаётся с ними) от подменивающей разгрузки (результаты принимаются с минимальной проверкой, контроль смещается к инструменту) (Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning). Уверенность формировала ориентацию: уверенные студенты осуществляли автономию в постановке целей и мониторинге, тогда как менее уверенные однокурсники читали GenAI как сокращённый путь или как misconduct. Когорта была дифференцированной, а не однородно ИИ-грамотной; авторы рекомендуют требовать от студентов обоснования или адаптации результатов ИИ как явный ход Дизайн обучения.
Сжатые пути экспертизы в профессиональной практике. Четырнадцать полуструктурированных интервью с ИТ-профессионалами обнаружили, что GenAI действует и как тьютор, подобный ментору, и как инструмент, сокращающий лестницу, в диагностике неполадок, написании скриптов и верификации систем (Unanticipated Effects of Generative AI on Expertise Pathways and Performance Perception in System Administration). Ускоренное освоение незнакомых областей сокращает подверженность циклам «создал-сломал-починил», которые исторически формировали экспертизу; скорость с помощью ИИ также сбрасывает ожидания команды и себя, порождая двухскоростную культуру и вину за продуктивность. Исследование переносит опасения аудитории о metacognitive цене и увядании навыков в Обучение на рабочем месте и workplace learning.

Оценивание и сторона ИИ-использования учащимися

Вопросы учащихся как диагностические сигналы. Lee, Atif и Kang классифицировали 434 аутентичных студенческих запроса из 12 ИТ-курсов в три конструктивистские инструкционные роли — передатчик знаний, фасилитатор и со-обучающийся, — достигнув консенсусной разметки с проверкой human-in-the-loop (каппа Флейсса 0.60, растущая до 0.83) и расширив корпус до 582 сбалансированных вопросов (Analysing AI utilisation in education through learner question types: A constructivist approach). DeBERTa лидировал с точностью 86.36% и точностью 96.67% на фактических вопросах, но точность на фасилитаторе упала до 78.79%, а настроенный BERT достиг полноты 92.00% на элементах со-обучающегося при точности лишь 74.19%. Ошибки происходили от концептуальной схожести ролей, неоднозначного намерения учащегося и доменной формулировки, прочитанной как когнитивная глубина; авторы предупреждают, что расширение могло ввести лексические сокращённые пути, и что корпус из 11 студентов, только ИТ, пока не может обобщаться на другие области.
Широкие, но поверхностные ментальные модели. Из 64 пригодных концепт-карт, нарисованных 86 студентами бакалавриата на обязательном курсе технологической этики, возникло пять категорий ментальных моделей: основанные на техническом процессе, основанные на образовательном инструменте, переходные, осознающие последствия и интегрированные (Uncovering Students' Mental Models of Generative Artificial Intelligence). Каждая карта показывала декларативные знания, 25 — процедурные, 17 — условные, и только 9 интегрировали все три. Технические и социально-регуляторные кластеры находились далеко друг от друга, что авторы читают как раздельное развитие осведомлённости об ИИ-грамотность и ethical; центрированные на честности руководства, утверждают они, затрагивают лишь одно измерение того, как студенты концептуализируют инструмент.
Правила известны, соответствие неопределённо. Опрос 151 студента бакалавриата программ «Бизнес-информационные системы» и «Электронное правительство» обнаружил, что большинство студентов активно используют GenAI, но более половины не уверены, соответствует ли их использование институциональному регулированию, при слабых или умеренных связях между осведомлённостью о regulatory и фактическим поведением, и опорой преимущественно на приватно доступные инструменты, а не институциональные (Knowing the Rules Is Not Enough: Student Regulatory Awareness and Use of GenAI in Higher Education). Знание правил не сильно предсказывало, что делали студенты.

Институциональная политика и разрыв в управлении

Руководство, а не политика. Экологический скан всех 48 аккредитованных магистерских программ медицинской информатики и управления медицинской информацией обнаружил 40 (83%) с хотя бы одним публично доступным ИИ-документом, но модальным артефактом было консультативное руководство (21, 53%), а не формальная политика (7, 18%) (Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies). Академическая честность доминировала в лексиконе (n = 139), опережая цитирование (n = 59) и Оценивание (n = 50), тогда как HIPAA (n = 5), FERPA (n = 11), равный доступ (n = 2) и требования раскрытия (n = 1) были почти отсутствующими, а электронные медицинские записи не упоминались вообще. Latent Dirichlet Allocation дала четыре темы вокруг честности, использования GenAI студентами, университетских исследовательских инструментов и вовлечённости ChatGPT. Поскольку анализировались только публичные документы, авторы рассматривают отсутствие языка приватности и справедливости как находку о публикуемых руководствах, а не об институциональной практике.
Слепое место справедливости. Включённость (n = 9), доступность (n = 9), адаптации (n = 4) и равный доступ (n = 2) появляются с частотами, которые не могут поддержать никакое утверждение о том, что Справедливость была решена, хотя несколько программ требуют использования ИИ в курсовых работах. Вместе с поверхностной трактовкой компетенции профессионального Управление ИИ, это самая ясная проектировочная задача, которую оставляет открытой собранный набор: соединение правил честности с положениями о доступе, приватности и управлении данными, за соблюдение которых будут отвечать эти выпускники.

Связанные концепции

Связанные статьи

Метаданные

Дисциплина	Information Technology, Cs Education
Уровень	Higher Ed, Adult Learning
Целевая аудитория	Administrators, Curriculum Designers, Instructional Designers, Instructors, Learners, Policymakers
Обучение и преподавание	Обучение на рабочем месте
Учреждения и политика	Управление ИИ
Справедливость, этика и ответственное использование	Справедливость
Основы ИИ в образовании	Академическая добросовестность, ИИ-грамотность, Когнитивный оффлоадинг

Source History Edit Chat