ИИ-компетентность преподавателя

Автоматический перевод данной английской страницы, не проверенный носителем языка.

ИИ-компетентность преподавателя — знания, умения и расположения, необходимые преподавателям для эффективной, этичной и справедливой интеграции ИИ в преподавание и обучение. Она выходит за пределы технического использования инструментов и включает педагогическую интеграцию, грамотность в оценивании, этическое суждение и уверенность в том, чтобы хорошо использовать ИИ. ИИ-компетентность преподавателя — это дополняющая сторона на стороне преподавателя по отношению к ИИ-грамотность, и она развивается через профессиональное развитие. Она имеет ключевое значение для того, как трансформируется роль преподавателя в аудиториях, дополненных ИИ.

Вопросы для размышления

• Страница утверждает, что преподаватель — «решающий фактор» в том, улучшает ли ИИ обучение, — что инструменты помогают только тогда, когда преподаватели могут планировать их использование, организовывать опору для учащихся и оценивать результаты. Соответствует ли это вашему опыту, или вы считаете, что сам инструмент важнее преподавателя?
• ИИ-компетентность преподавателя охватывает техническое владение, педагогическую интеграцию, грамотность в оценивании и этическое суждение. Какого из этих измерений, по-вашему, преподавателям не хватает больше всего, а какое труднее всего тренировать?
• Исследование документирует разрыв между самооценкой преподавателями своих ИИ-навыков и фактическими навыками. Почему, как вы думаете, люди переоценивают свою готовность, и что потребовалось бы, чтобы честно закрыть этот разрыв?
• Интенсивная программа профессионального развития дала значительный прирост в ИИ-педагогическом навыке в процитированном исследовании, что указывает на тренируемость технико-педагогического навыка. Если это так, почему так много преподавателей всё ещё кажутся неподготовленными — что им мешает?
• Если преподаватель может «хорошо использовать ИИ», что значит «хорошо» для вас — и как бы вы узнали, что преподаватель этого достиг, а не просто взял инструмент на вооружение?

Введение

ИИ-компетентность преподавателя важна потому, что преподаватель — решающий фактор в том, улучшает ли ИИ обучение. Исследования последовательно показывают, что инструменты ИИ преобразуются в лучшие результаты только тогда, когда преподаватели могут планировать их использование, организовывать опору для работы студентов, оценивать результаты и интегрировать инструменты в связное преподавание. Литература базы знаний рассматривает измерения этой компетентности, разрывы между самооценкой и фактическим навыком, а также профессиональное развитие, которое её формирует.

Базовые измерения компетентности

Исследования базы знаний сходятся на нескольких взаимосвязанных измерениях:

• Техническое владение: составление эффективных промптов для образовательных целей, оценивание ИИ-инструментов на предмет педагогической пригодности и безопасности, а также устранение сбоев в реальном времени. Интенсивная программа профессионального развития по GenAI задокументировала значительный прирост по всем пяти компонентам AI-PCK (общий d = 2.36), показывая, что технико-педагогический навык тренируем.

• Педагогическое знание — решающий слой. Межуровневое исследование среднего ИИ-образования (46 преподавателей, 2 832 студента) обнаружило, что одних технических знаний об ИИ недостаточно — они могли даже незначительно снижать восприятие студентами ИИ как силы для общего блага, — тогда как педагогические ИИ-знания определяли восприятие студентами ИИ и их намерение изучать ИИ. Поэтому рамки компетентности должны отводить педагогическим ИИ-знаниям роль центрального измерения, а не мягкого дополнения.

• Педагогическая интеграция: соотнесение использования ИИ с целями обучения, проектирование Скаффолдинг, поддерживающего Метакогниция и само-Регулирование ИИ в образовании учащихся, и интеграцию ИИ в дизайн обучения. Исследования AI-TPACK моделируют, как преподаватели сочетают технологические, педагогические и предметные знания через рабочие процессы с множественными агентами, тогда как рамки командной работы преподавателя с ИИ из пяти уровней (транзакционный → синергетический) описывают, как GenAI может заменять, дополнять или усиливать компетентность преподавателя.

• Грамотность в оценивании: оценивание ИИ-сгенерированного контента и результатов работы студентов с ИИ, а также понимание того, как смещается валидность, когда студенты используют ИИ. Это связано с Автоматизированное оценивание, Обнаружение ИИ и более широкой повесткой переосмысления Оценивание. Для рекомендательных систем это распространяется на суждение о том, действительно ли объяснения ИИ понятны и педагогически значимы: Feldman-Maggor et al. (2025) обнаружили, что преподаватели больше доверяли рекомендациям ИИ по группировке, когда объяснения были сформулированы на языке предметной области (учебного плана), чем когда они выявляли сырые признаки модели, — навык, заключающийся в требовании и оценке качества объяснений, а не в принятии непрозрачного результата.

• Выбор модели и проектирование промптов как демонстрируемые навыки: инструментальная ИИ-грамотность включает знание того, какую модель использовать и как сформулировать задачу. Jacobsen et al. (2026) давали критиковать ChatGPT-4, Claude 3 и Gemini Advanced цели планирования уроков у 153 будущих преподавателей при четырёх систематически варьируемых промптах (N = 240 отзывов в исследовании 1, 345 в исследовании 2), при этом Обратная связь оценивался по девяти категориям качества. Только выбор модели объяснял 26,9 % дисперсии в оценённом качестве (18,4 % в исследовании 2), а проектирование промптов добавляло значимые 15,9 % (5,7 %) сверх этого; единственным решающим признаком промпта была предметно-специфичная техническая терминология, чьё удаление значимо снижало качество (β = −0,412), тогда как добавление примеров и отказ от инструкции chain-of-thought не давали значимых различий в исследовании 1. Их трактовка — что предметная терминология одновременно открывает релевантное содержимое обучающих данных и профессионально обрамляет запрос, подобно ролевому промптингу, — вместе с практическим правилом использовать наиболее способную текущую передовую модель делает выбор модели дидактическим решением, а не техническим.

• Этичное и критическое использование: распознавание смещений в результатах ИИ, защита данных студентов (Приватность) и обеспечение равных результатов (Справедливость). Культурно релевантное использование ИИ рассматривает, как преподаватели могут использовать LLM для диверсификации материалов, а не для закрепления доминирующих норм.

• Этическая ответственность распределена, а не индивидуальна. В семи национальных кейсах преподаватели позиционируются как нравственные привратники использования ИИ при отсутствии институциональной и эпистемической поддержки, поэтому ИИ-этическая грамотность должна распространяться на критическую и политическую агентность, а не только на технический навык (Raffaghelli et al. (2026)).

• Уверенность и установки: уверенность преподавателей определяет внедрение. Исследования внедрения показывают, что уверенность, поддержка и воспринимаемая полезность определяют, будут ли преподаватели фактически использовать ИИ, а ориентации преподавательского состава определяют внедрение в исследованиях и преподавании.

• В опросе 1 405 преподавателей K-12 из пяти стран готовность к ИИ предсказывала позитивные убеждения о педагогической ценности GenAI для преподавания (B = .59, R² = .50), но при этом предсказывала большую озабоченность креативностью (B = .18), и те же предикторы объясняли лишь 7 % и 6 % озабоченности — только наращивание готовности оставляет озабоченность нетронутой (Xiu et al. (2026)).

Готовность следует упорядочивать и измерять соответственно: Модель способности и решения помещает демонстрируемую ИИ-способность выше по течению по отношению к установке и уверенности и предлагает показатели результативности вместо одной только самоотчётности — задачи по дизайну уроков, задачи по оцениванию промптов с засеянными ошибками, суждения о содержательной валидности и рубрики для артефактов аудитории (Mnguni (2026)).

Эмоциональная и нравственная готовность — отдельное измерение. Vassallo (2026) опросил академический персонал мальтийского университета (109 респондентов) и построил Индекс вины в связи с ИИ (α = 0,88) из четырёх пунктов о нравственных эмоциях, обнаружив, что антиципационная вина превышала раскаяние, пережитое после использования: сильнее всего было одобрение тревоги о том, что использование ИИ подрывает чью-то авторитетность (34,9 % согласных), затем ощущение, будто обманываешь, когда его используешь (25,7 %), тогда как раскаяние после использования набрало лишь 9,2 %. Выводы, значимые для рамок компетентности, состоят в том, что не-пользователи сообщали о более высокой вине, чем пользователи (M = 3,25 против M = 2,32), и что вина снижалась по мере роста карьерной защищённости — академики ранней карьеры сообщали о наибольшей (M = 2,71), а старшие академики — о наименьшей (M = 2,03). Поэтому эмоциональная готовность не фиксируется измерениями навыка или уверенности, и статья утверждает, что рамки компетентности должны трактовать вину и озабоченность идентичностью как нормальные переходные реакции, а не как изъяны, подлежащие исправлению.

Более сильная версия этого переосмысления утверждает, что GenAI — это пороговая концепция, а не пробел в навыках: автоэтнографический отчёт доказывает, что тревога и сопротивление преподавательского состава являются конститутивными для пересечения порога, поэтому обучение на основе навыков терпит неудачу, и принципиальный отказ от внедрения следует уважать, а не исправлять (Laidlaw (2026)).

Разрыв в компетентности

Ключевой вывод — это разрыв между самооценённой и основанной на результативности компетентностью. Исследования оценивания ИИ-грамотности документируют существенное расхождение (до ~40 %) между тем, что преподаватели считают, что могут делать, и тем, что они могут фактически продемонстрировать — преподаватели, уверенные в ИИ-навыках, часто не обладают базовыми способностями к промптингу и оцениванию. Это мотивирует основанное на результативности оценивание компетентности преподавателя вместо опоры на самоотчётность и связано с калиброванной самооценкой. Национальный опрос 2 586 нигерийских преподавателей средней школы измерял две стороны отдельными инструментами — умеренную осведомлённость об ИИ (M = 3,13 из 8) при более низком ИИ-педагогическом навыке (M = 2,47 из 5) — при этом преподаватели ранней и средней карьеры сообщали о более высоком навыке, чем опытные коллеги (Olurinola et al., 2026).

Разрыв состоит не только между воспринимаемым и фактическим навыком, но и в широте знаний преподавателей: национальный опрос 2 018 украинских преподавателей средней школы обнаружил, что 84 % сообщили об использовании ИИ в профессиональной практике, и лишь 11 % могли назвать специализированный ИИ-сервис помимо ChatGPT (Marienko, Markova & Semerikov (2026)). Вторая узость проявляется не в том, что преподаватели могут назвать, а в том, что они сами предлагают: 53 действующих преподавателя, размечавших собственные учебные кейсы по Рамкам ИИ-грамотности ОЭСР, описали 43 ИИ-грамотные практики против всего 10 неудач (Wang et al., 2026). Их выборы компетентностей группировались вокруг практического суждения (оценивание результатов ИИ, N = 38) и редко достигали социального смещения (N = 5), этического соответствия (N = 6) или энергопотребления ИИ (N = 9).

Разрыв виден в артефакте так же, как и в самоотчётности. Межинституциональная коллаборатория преподавательского состава в подготовке учителей, в которой преподаватели-методисты встраивали ИИ в собственные методические курсы, сообщила, что кандидаты могли создавать отточенные ИИ-поддерживаемые планы уроков, не будучи в состоянии объяснить, почему план подходит учащимся и стандартам, поскольку сам план ничего не говорит о лежащих в его основе рассуждениях. Оценивание обоснования, а не продукта, — один из ответов. Подход «педагогик практики» предполагает другой, трактуя репетицию как аппроксимацию практики: ИИ-опосредованная репетиция со структурированной обратной связью после неё повышала использование кандидатами уточняющих и разведывающих вопросов, однако их собственные суждения о своей результативности всё ещё расходились с тем, что фиксировали наблюдатели.

Падающая самооценка после обучения может сигнализировать об учении, а не об утрате. В шестимесячной программе профессионального развития по Intelligent-TPACK с профессиональным развитием 64 преподавателей университетов Гонконга против 61 в контрольной группе общая ИИ-компетентность выросла примерно на половину стандартного отклонения (Cohen's d = −.521), при этом некоторые преподаватели в обеих группах набрали меньше на пост-тесте, чем на пре-тесте (Tan, Cheng & Ling, 2025). Интервью объясняли снижения сдвигом от бессознательной некомпетентности к сознательной — той самой рекалибровкой, которую предсказывает эффект Даннинга — Крюгера, — а не утратой навыка. Авторы заключают, что самоотчётность в схеме пре-пост занижает эффект интервенции, поскольку часть прироста приходит как корректировка вниз в самом инструменте.

Разрыв проявляется и как неучастие. Watson & Rainie (2026) опросили 1 057 преподавателей колледжей США в конце 2025 года и обнаружили, что 26 % вообще не используют инструменты генеративного ИИ, причём треть предпочитает не использовать их в преподавании, и неиспользование сосредоточено в искусстве и гуманитарных дисциплинах (40 %). Институциональная сторона разрыва была больше индивидуальной: 68 % заявили, что их учебные заведения не подготовили преподавательский состав к использованию генеративного ИИ в преподавании и наставничестве, а преподаватели назвали сопротивление коллег (82 %) и незнакомство (83 %) главными препятствиями на пути внедрения на уровне кафедр — картина, в которой наращивание способностей, нормы коллегиального поведения и политика должны двигаться вместе.

Доуниверситетская подготовка в основном обходит этическое измерение компетентности. Систематический обзор ИИ в начальной подготовке учителей математики начальной школы (Pinto et al. 2026, 11 исследований, отобранных из 341 записи) обнаружил, что интервенции концентрировались на краткосрочных технических и педагогических приобретениях, причём девять из одиннадцати представляли собой краткие интервенции, охватывающие от одной до шести сессий, и сообщил, что этика рассматривалась лишь в трёх из одиннадцати исследований. Рамки компетентности называют этическое суждение измерением; доуниверситетская литература, призванная его формировать, редко его преподаёт или измеряет.

Профессиональное развитие, которое работает

Литература базы знаний о профессиональном развитии выявляет эффективные подходы:

• Интенсивные, теоретически обоснованные программы: интенсивная программа профессионального развития по GenAI с 163 преподавателями / будущими преподавателями дала значительный прирост по всем компонентам AI-PCK, при этом будущие преподаватели выиграли больше всего. Профессиональное развитие на основе теории самодетерминации показывает, что поддерживающее потребности обучение улучшает ИИ-грамотность преподавателей, установки и вовлечённость, снижая тревожность.
• Дизайн-исследовательские и интегрированные подходы: обучение ИИ-грамотности на основе DBR устраняет чрезмерный акцент на технических знаниях и инструментах допо-генеративного поколения; интегративные, развивающиеся рамки и интеграция социально-эмоциональных компетентностей расширяют грамотность за пределы чистой техники.
• Исследование и аутентичная практика: ИИ-поддерживаемые исследовательские модели формируют ИИ-грамотность и аутентичную результативность у будущих преподавателей.
• Контекстно-специфичная готовность: Рамки готовности преподавательского состава EPIQ-AI подчёркивают, что готовность преподавательского состава — это социотехническая проблема, требующая согласования потенциала преподавателей, Управление ИИ и обеспечения качества.
• Поддержка должна различаться по опыту и владению ИИ. Choi et al. (2026) обнаружили, что то, как преподаватели фактически взаимодействуют с ИИ при дизайне уроков, зависит от взаимодействия преподавательского опыта и владения ИИ, а не от одного из них. Опытные преподаватели с высоким владением ИИ критически адаптируют результаты ИИ к контексту (пере-промптинг, разработка), тогда как новички — даже технически беглые — склонны принимать ответы ИИ напрямую и редко учитывают студентов и контекст. Это выступает за профилирующее профессиональное развитие: чек-листы оценивания ответов и шаблоны промптов для новичков и практическое формирование навыков для опытных преподавателей с более низким владением ИИ.

Конфигурация убеждений — вторая ось профилирования: среди 40 680 преподавателей в TALIS 2024 один и тот же статус неиспользования маскировал противоположные препятствия — 83,3 % профиля «Равнодушных» называли педагогические оговорки, тогда как 66,2 % профиля «Умеренного одобрения» — недостаточные знания и навыки (Fang & Jin (2026)). Профессиональное учение, связанное с ИИ, отслеживало членство в профиле последовательнее, чем возраст или уровень образования.

• У преподавателей нет единого представления об ИИ. Феноменографическое исследование 16 датских преподавателей высшего образования обнаружило три представления о преподавании с ИИ и три — об учении с ИИ, поэтому единая модель семинара охватывает лишь часть любой группы преподавательского состава (Stenalt (2026)).

• Совместное проектирование и педагогическая грамотность в промптах — это компетентности, а не дополнения. Систематический обзор совместного проектирования преподавателями и ИИ учебных задач (Wang, Liu & Islam 2026, 28 исследований) обнаруживает, что доминирующий режим совместной работы — ИИ как ассистент / генератор контента, и локализует пробел в более полных способностях преподавателей к совместному проектированию и диалогическому партнёрству. Talebzadeh (2026) показывает, что профессиональное развитие, сочетающее техническое обучение ИИ с педагогическим рассуждением — формирующее «педагогическую грамотность в промптах» (кодирование PCK в промптах), — и есть то, что позволяет преподавателям превращать результаты ИИ в эффективные дифференцированные групповые активности.

• Структуры, которые формируют компетентность, а не просто перечисляют её. Perl-Nussbaum and Finkelstein (2026) провели шестисессионное сообщество учения преподавателей, встречавшееся раз в две недели, в крупном государственном физическом факультете университета категории R1 — девятнадцать преподавателей на протяжении серии, около десяти на каждой встрече, — где каждая сессия открывалась локальными данными, переходила к проверке ИИ малыми группами на реальных анонимизированных студенческих домашних заданиях и закрывалась коллективным обсуждением, и это дало общее хранилище из пяти записей, а не тренинг-пакет. Грамотность в оценивании может быть сформирована тем же способом через инструмент дизайна: в пилоте Paula et al. (2026) восемь опытных координаторов курсов STEM и Health развили свою грамотность в оценивании, критикуя черновики оценивания от специально настроенного GPT по дисциплинарным стандартам, хотя результаты неоднократно упускали дисциплинарный контекст, игнорировали последовательность тем и в одном случае несли сфабрикованные ссылки, сохранявшиеся при повторных промптах. Все восемь сохранили академическое суждение за собой и отказались от сквозной автоматизации, что делает структурированную критику сгенерированных черновиков механизмом развития, а не обучением инструменту.

• Короткие сессии могут сдвигать принятие, не сдвигая внедрение. Mesenhöller and Böhme (2026) оценили трёхчасовую сессию INSIGHT со 100 немецкими преподавателями начальной и средней школы и обнаружили, что и воспринимаемая полезность, и воспринимаемая лёгкость использования значимо выросли (полезность t(99) = -3,24, p = .002, d = .32; лёгкость использования d = .25), тогда как поведенческое намерение использовать ИИ-технологии для дифференциации не изменилось. Авторы отмечают, что их базовые уровни уже были благоприятны, поэтому эффект потолка правдоподобен. Вывод для дизайна профессионального развития узкий, но полезный: короткая сессия может сдвинуть то, как преподаватели судят об ИИ-инструментах, не сдвигая того, планируют ли они их использовать, — и это тот род изменения, которому нужно сопровождение, а не разовое событие.

• Преподаватели предпочитают беглость, но приписывают учение опоре. Среди 41 преподавателя базовый вариант GPT-4o был предпочтён в целом (21 против 13), однако дообученная трёхшаговая модель (идентификация, исследование, развитие) чаще получала кредит за учение (18 против 13), и оба суждения совпадали лишь в 39 % случаев (Molnar et al. (2026)).

• Институциональная поддержка: профессиональное развитие должно сочетаться с институциональной инфраструктурой (политика, институциональные изменения) для устойчивого внедрения.

• Инструменты авторства не гарантируют педагогической точности. Riahi et al. (2026) изучили 27 преподавателей средней школы, настраивавших образовательных чат-ботов на семинарах профессионального развития, анализируя фокус-группы вместе с логами настройки и взаимодействия. Преподаватели трактовали чат-бота как педагогический скаффолдинг, ограниченный заданными преподавателем правилами, однако основанное на логах соответствие между намерением и поведением было сильнее для отзывчивости (88,9 %) и персоны (81,5 %), чем для правил (70,4 %) и цели (59,3 %). Настраиваемые элементы управления сами по себе не переносят педагогическое намерение в поведение, поэтому выражение, тестирование и уточнение педагогики чат-бота — это сама по себе компетентность, которую инструменты авторства должны поддерживать.

Дизайн-контрпример трактует компетентность как ситуативную, а не как ступень на лестнице. Дизайн-исследование Eyal 2025 года с 22 преподавателями-методистами высшего образования предлагало участникам рассмотреть пять опубликованных рамок оценивания и совместно спроектировать альтернативу, организованную вокруг трёх взаимосвязанных осей: соответствие контексту (инфраструктура, социокультурные факторы, локальные потребности, стадия развития), профессиональные потребности (дисциплина, педагогика, лидерство, поддержка) и динамическое развитие. Модель отвергает фиксированные уровни компетентности и допускает нелинейное продвижение, и поставляется с анкетой рефлексивной самооценки из 20 пунктов, оцениваемой по шкале от 1 до 5. Её валидация носит только качественный характер, без количественного тестирования надёжности, поэтому она представляет собой вклад в дизайн, а не валидированный инструмент.

• Метааналитическая оценка. Guo et al. (2026) объединили 212 размеров эффекта из 34 исследований и оценивают профессиональное развитие преподавателей в области ИИ-грамотности в g = 0,76 (95 % CI [0,50, 1,02]), что сильнее всего для навыков (g = 0,91) и слабее всего для установок и ценностей (g = 0,61); коррекция на явный публикационный отбор снижает оценку примерно до g = 0,49.

• Посещаемость предсказывает приобретения там, где этого не делает ощущение участия. В той же шестимесячной программе показатель посещаемости предсказывал прирост компетентности (β = .407, p = .001), тогда как самооценённое участие — нет (β = .049, p = .692), а дисциплина, преподавательский опыт и профессиональное звание объясняли мало; авторы читают посещаемость как поведенческое вложение, а воспринимаемое участие — как поверхностную вовлечённость (Tan, Cheng & Ling, 2025).

• Ценности отстают от навыков и в программе для конкретной предметной области. В годовой программе в Гонконге с 30 преподавателями английского языка знание стратегий мультимодального оценивания выросло с 3,13 до 4,15 из 5 (частичное η² = 0,571), а компетентность в поддержке студентов — с 3,05 до 3,98 (0,482), причём обе величины значимы, тогда как каждая подобласть ценностей оставалась статистически ровной при альфа с поправкой Бонферрони, равной .006. Преподаватели приписывали приобретения внутришкольному совместному планированию и межшкольным встречам кластеров, а не одним только семинарам (Jiang et al., 2026).

• Микробучение может развивать ИИ-компетентность преподавателей университетов. Cechovsky (2026) отточил два модуля по профессионально-техническому образованию через два онлайн-обсуждения в группах, доведя их до пяти принципов проектирования — понятная структура и ориентирование, поддержка руководством и навигацией, сегментация и модуляризация, мультимодальная презентация и активация учащегося, — и обнаружил, что навигация по платформе и поиск модулей были основными практическими препятствиями.

ИИ-компетентность преподавателя и трансформирующаяся роль преподавателя

По мере того как ИИ берёт на себя рутинные задачи преподавания и оценивания, отличительный вклад преподавателя смещается к оркестровке, суждению и отношению: решению о том, когда и как использовать ИИ, организации студенческой агентности и критического использования, обеспечению справедливости и предоставлению социальной и эмоциональной поддержки, которую ИИ не может дать. Это переосмысляет компетентность преподавателя вокруг контроля человеком в цикле, этического суждения и поддержки саморегулируемого обучения — связываясь с Преподавание и охраной от чрезмерной опоры.

Значение для ИИ в образовании

• Оценивайте результативность, а не только самоотчётность: компетентность преподавателя следует оценивать через демонстрацию, учитывая документированный разрыв в самоотчётности.

• Тренируйте всю компетентность, а не только инструменты: профессиональное развитие должно формировать технические, педагогические, оценочные и этические измерения вместе, опираясь на теорию обучения.

• Формируйте уверенность наряду с навыком: установки и Самоэффективность определяют внедрение, поэтому профессиональное развитие должно снижать тревожность и формировать уверенность через аутентичную, поддерживаемую практику.

• Поддерживайте институциональный слой: устойчивая компетентность преподавателя требует согласованной политики, управления и потенциала, а не изолированного обучения.

• Цифровая компетентность преподавателей для дизайна учебного плана с GenAI. Guillén-Gámez (2026) валидируют диагностический инструмент на основе TAM с 434 действующими преподавателями; поведенческое намерение было главным предиктором цифровой компетентности в использовании GenAI при планировании учебного плана, при этом самоэффективность была корневым драйвером.

Психометрический инструмент для ИИ-компетентности преподавателя

• Психометрическое исследование разработало Шкалу ИИ-грамотности преподавателей (TAILS) для измерения ИИ-грамотности именно в рамках подготовки преподавателей языка, операционализируя шесть измерений рамок ED-AI. Разработка инструмента заполняет пробел в оцениваниях, нацеленных на студентов или обычных пользователей, поддерживая измерение ИИ-компетентности преподавателя.

Пейзаж самих инструментов с тех пор был рассмотрен. Систематический обзор инструментов измерения ИИ-грамотности преподавателей Zainal, Mohd Matore и Maat 2026 года оценил 33 инструмента, опубликованных между 2019 и 2025 годами, и обнаружил, что область методологически однообразна: 31 (93,9 %) — это шкалы самоотчётности о воспринимаемой уверенности, только два (6,1 %) тестируют знание объективно, и ни один не использует основанные на результативности задачи. Внутренняя согласованность была самой сильной областью качества (28 из 33 на уровне Grade A), а справедливость — самой слабой, причём пять инструментов (15,2 %) сообщали о свидетельствах инвариантности измерения или дифференциального функционирования пунктов. Содержание также отстаёт от технологии, поскольку 29 инструментов (87,9 %) нацелены на общие концепции ИИ, и лишь четыре (12,1 %), все из 2025 года, рассматривают генеративный ИИ.

Связанные концепции

• ИИ-грамотность
• Развитие педагогической практики
• Преподавание
• Промпт-инжиниринг
• Дизайн обучения
• Скаффолдинг
• Метакогниция
• Валидность оценивания
• Справедливость
• Этика
• Самоэффективность
• Человек в контуре
• Автономность учащегося
• Когнитивный оффлоадинг
• Политика в области образовательного ИИ (Educational AI Policy)
• ИИ в образовании
• Технологические педагогические знания о содержании (TPACK)
• Профессиональное развитие преподавателей
• Педагогики и стратегии преподавания — Зонтичная: педагогики и стратегии преподавания в ИИ-образовании

Связанные статьи

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodal assessment literacy: a year-long program where knowledge and competence moved and values did not

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK PD: half a standard deviation of gain, and negative gains that read as recalibration — The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Teachers tagged their own classroom AI cases and reached practical competencies readily but societal and ethical ones rarely (Wang et al. 2026)

• Typology of Generative AI Tools for Education — Tool selection as an exercise of educator agency

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Teacher professional knowledge in K-12 AI education: TAIK vs TPAIK and student learning (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Pre-service teachers' responsible GenAI use: curriculum implications (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM classroom observation for teacher professional development (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generative AI across representations, decompositions and approximations: rehearsal, structured feedback and the accuracy cautions

• 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 — Efficacy of an intensive GenAI professional development program

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modeling AI-TPACK through teacher multi-agent workflows

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Toward synergistic teacher-AI interactions

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Teacher education for AI literacy through self-determination theory

• Development and evaluation of artificial intelligence literacy training for teacher education students — Design-based research GenAI literacy training

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Rethinking GenAI literacy in teacher education

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrating social-emotional competencies with AI literacy

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI adoption among teachers: confidence and support

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Faculty orientations shape AI adoption

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Misalignment between self-reported and performance-based AI competency

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — AI-supported inquiry for pre-service teachers

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI faculty readiness framework

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLMs for culturally relevant K-12 pedagogy

• A Framework for Institutional Change in the Age of AI — Institutional change framework for AI

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach chatbot for instructor guidance

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI as identity crisis, not skills gap

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — phenomenographic study of university teachers' conceptions of AI

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Five-level AI literacy framework + PD for Ukrainian secondary educators (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI Guilt Complex: anticipatory guilt and four moral response profiles among academic staff (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — A three-hour teacher PD session raised perceived usefulness and ease of use but not stated intention to adopt (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematic review of AI in pre-service primary mathematics teacher training: ethics addressed in only three of eleven studies (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon survey of 1,057 US faculty: preparedness, non-use and the individual-vs-institutional policy gap (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Cross-institutional faculty collaboratory: AI integration as instructional design in teacher preparation

• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematic review of 33 instruments for measuring teacher AI literacy: 31 self-report, two objective knowledge tests, no performance tasks (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — A design-based adaptive AI literacy model and 20-item reflective questionnaire co-designed with 22 teacher educators (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Ordered capability-first teacher readiness model with performance-based capability indicators

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Cross-national survey of 1,405 K-12 teachers: readiness predicts positive beliefs but not concern

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Four TALIS 2024 teacher belief profiles link professional learning and profile-specific barriers to AI use

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Проектирование микромодулей по ИИ для преподавателей университетов в профессионально-техническом педагогическом образовании: исследование на основе дизайн-исследований