Как написать политику использования ИИ в курсе и донести её до студентов?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

У вас один силлабус, одно описание задания и аудитория, полная студентов, которые уже придумали для себя собственные частные правила относительно генеративного ИИ. Всё, что вы публикуете, должно быть справедливым и к студенту, который играет по правилам, и к тому, кто не играет, и должно быть таким, чтобы вы могли применить это к сорока работам, не превратившись ни в слабака, ни в полицейского.

Главное: пишите меньше правил, чем вам хочется, привязывайте каждое из них к конкретному аспекту, который вы оцениваете, назовите одно стандартное место, где студенты декларируют использование ИИ, и сделайте так, чтобы механизм применения опирался на доказательства, которые вы можете увидеть своими глазами, а не на оценку детектора. Политика, которая объясняет себя, одновременно выполняет работу по проектированию оценивания и коммуникации — именно поэтому она стоит одного вечера и экономит семестр споров.

На этой странице рассматривается документ уровня курса для одного модуля, курса или учебного направления программы. Повсюду предполагается, что вы уже решили, что оцениваете; вопрос в том, как это сформулировать и как добиться соблюдения.

Как выглядят политики курсов сейчас

Контент-анализ 116 институциональных политик по GenAI из 131 университета США категории R1 и 98 силлабусов по информатике из 54 из них показал, что вузы в целом выступают за использование: 63% поощряют использование GenAI, 41% предлагают детальные рекомендации для аудитории, 27% его не приветствуют, — в то время как половина силлабусов (50%) прямо его запрещают, 41% разрешают частичное использование для указанных видов деятельности и 7% сообщают о поощрении. Ganguly et al. (2026) называют это разрывом между подходами «сверху вниз» и «снизу вверх»: 92% силлабусов содержат явные рекомендации, но преподаватели пишут локальные правила, которые могут не согласовываться с институциональным руководством, и лишь у 47 вузов были обнаружены оба уровня. Цитирование — единственное, в чём согласны оба уровня: оно требуется в 83% силлабусов. С вашим локальным правилом студенты встречаются первым, и быть строже своего вуза — норма, но это обязательство, которое вы берёте на себя в одиночку.

Chirikov (2026) отследил более 31 000 силлабусов в крупном государственном исследовательском университете Техаса с 2021 по 2025 год: регулирование выросло практически с нуля до появления ChatGPT до 55% курсов к осени 2025 года, тогда как доля полностью запретительных политик падала примерно на 5 процентных пунктов в год. К осени 2025 года преподаватели чаще всего ограничивали составление черновиков и редактирование (79%) и рассуждение и Решение задач (65%), и чаще всего разрешали правку и корректуру (83%), поддержку учёбы и синтез (80%) и программирование (75%); генерация идей была наиболее оспариваемым видом использования (46% разрешают, 54% ограничивают). Упоминания академической добросовестности снизились с 63% до 49%, тогда как ссылки на влияние ИИ на обучение выросли с 1% до 29%, а требования к указанию авторства — с 16% до 43%. Преподаватели переходят от формулировок «не жульничайте» к формулировкам «вот почему эта граница защищает ваше обучение».

Nash and Burriss (2026) проанализировали 27 политик использования ИИ в аудитории, написанных будущими преподавателями английского языка и литературы: 26 из 27 допускали некоторое использование ИИ, почти всегда на оговорённых преподавателем условиях, в оговорённое время и в оговорённых местах, а одна запрещала его полностью. Генерация идей была наиболее широко разрешённым видом использования (22 из 27) и наиболее неоднозначным; 22 запрещали или оставляли неясным составление ИИ предложений, абзацев или работ; 16 разрешали проверку грамматики и корректуру, тогда как 16 запрещали создание больших сгенерированных ИИ текстов; и 22 из 27 вообще не затрагивали чтение. Повторяющейся ошибкой была операционализация: одна политика разрешала использовать ИИ, «чтобы запустить ваше мышление», и объявляла «здесь должна быть проведена граница», не говоря, где именно. Эта неоднозначность — дефект, а не компромисс: она оставляет студентов неспособными соответствовать требованиям, а вас — неспособными применять единый стандарт.

Что писать и куда это помещать

Начинайте с задач, а не с философии. Самый понятный проработанный метод — McCorkle (2025), который заменил тотальный запрет, в применимости которого к себе студенты не верили. Проблемой было рассогласование, а не неповиновение: студенты не считали своё поведение нечестным. Метод заключался в том, чтобы инвентаризировать каждую задачу в семестровом проекте, спросить по каждой: «что, конкретно, я оцениваю?», связать каждую задачу с правдоподобным профессиональным использованием GenAI и решать задачу за задачей, взвешивая необходимость оценить способность против ценности формирования рабочей компетенции. Получившаяся политика намеренно неравномерна: мозговой штурм разрешён, а составление конкретных и измеримых целей обучения — нет; подбор изображений разрешён, а проектирование сообщения на уровне слайдов — нет; сценарии и озвучка разрешены при обязательной оценке результата работы ИИ.

В силлабусе: краткое резюме — задачи, разрешённое использование для каждой, как работает декларирование и последствия пересечения границы. В описании задания: выделенный блок, потому что одного резюме слишком грубо для сложного проекта — письмо McCorkle работало, потому что давало обоснование, адресованное студентам во втором лице и называющее оценивание, которое оправдывает каждое ограничение. На занятии: произнесите правило вслух один раз, в тот момент, когда оно впервые применяется, и свяжите его с работой, лежащей перед студентами, — правило, с которым студент встречается впервые в одиночку, он истолковывает в одиночку.

Механика декларирования заслуживает отдельного абзаца в силлабусе: студенты, участвовавшие в проектировании политики курса через управляемое исследование, в приоритетном порядке выделяли обучение студентов и преподавателей, стандартизированные процедуры декларирования, более сильную институциональную поддержку и большее вовлечение в решения об ИИ (Hingle and Johri (2026)). Скажите, как, где и в какой форме студент декларирует использование ИИ, и скажите это один раз. Эквивалентный ход у Pisan (2026) состоял в том, чтобы сделать журнал промптов оцениваемым артефактом: когда производство выполняет модель, промпт и журнал взаимодействия — это то, что стоит версионировать.

Пишите только те правила, которые вы можете применять

Правило, требующее контроля за каждой задачей или оценочного суждения о том, когда оценивание «начинается», будет применяться непоследовательно, а непоследовательность сама по себе является проблемой справедливости. Режимы, основанные на детекторах, несут издержки слежки, которые ложатся неравномерно, и поднимают вопросы прокторинга и хранения данных. Вывод Chirikov о существенной вариативности между дисциплинами и задачами говорит в пользу фреймворков, предоставляющих преподавателям автономию в их предметной области, а не единых для всех предписаний.

Здесь есть измерение справедливости: непрозрачные политики предполагают общее фоновое знание об авторстве, указании источника и нормах академической работы, поэтому тяжелее всего они бьют по студентам, которые приходят без этого знания. Аргумент McCorkle в том, что прозрачность частично расшатывает этот скрытый учебный план и снижает вероятность того, что нарушение политики станет дисциплинарным делом. Самая дешёвая версия всего этого — меньшее число и более конкретные правила: задачи, которые вы оцениваете, разрешённые виды использования для каждой, механика декларирования и последствия пересечения границы, — с указанием причины каждой границы.

Как сказать это так, чтобы студенты соблюдали

Правила декларирования сами по себе не работают как механизмы соблюдения; предположение об обратном — самая частая ошибка проектирования. В смешанном исследовании 409 студентов бакалавриата Qu and Wang (2026) обнаружили, что недекларирование было стратегической адаптацией к воспринимаемым нормам равных и низкому интерпретационному Доверие в преподавателей, а не моральной небрежностью: воспринимаемое декларирование равными и комфорт в отношениях с преподавателями были сильнейшими предикторами собственного декларирования студентами, тогда как моральное отстранение имело более слабые эффекты. Отношенческий климат — проектируемая переменная, и одних предписаний недостаточно: то, во что студенты верят относительно поведения своих равных, и то, доверяют ли они вам справедливо прочитать декларацию, предсказывает их честность лучше, чем строгость ваших формулировок.

Kim et al. (2026) выявили пять различных мест, где живёт реальная политика курса, — намерение преподавателя, формальная политика, интерпретация студента, собственная политика студента и практика студента, — с системными разрывами между ними, а также 23 рационализации в шести классах, которые студенты использовали для оправдания использования ИИ в академическом письме — от «нет человеческой жертвы» до «равнодушия преподавателя». Эти рационализации были ситуативными и постфактум: студенты объясняли поведение, которое уже произошло, а не рассуждали заранее, — поэтому более ясные формулировки и более жёсткое выявление сами по себе разрыв не закрывают. Один участник, желавший подчиниться строгому запрету на ИИ, продолжал использовать ИИ и сообщал, что запрет «создаёт для меня конфликт, потому что я нарушаю правила» — запрет усиливал моральный конфликт, а не предотвращал использование. Если правило порождает чувство вины без соблюдения, оно не работает; оно размывает отношения, которые вам нужны для декларирования.

Следите за тем, что вы моделируете: поскольку большинство заданий в курсе Pisan декларировало использованный для их создания промпт, один студент прочитал прозрачность как разрешение: «зависимость от ИИ со стороны преподавателя при оценивании и создании заданий также затрудняла не использовать ИИ для заданий таким же образом». Моделирование нормы — часть политики в том виде, в каком её переживают студенты, что бы ни говорил силлабус.

Пример формулировки, которую вы можете адаптировать:

Использование ИИ в этом курсе. Я хочу, чтобы вы вышли из этого курса способными сами делать X, поэтому я оцениваю X напрямую. Вы можете использовать ИИ для [разрешённых видов использования] в [списке задач]; вы не можете использовать его для [ограниченных видов использования], потому что именно это я оцениваю. Если вы используете ИИ где-либо в своей работе, скажите мне в [единственном названном месте — например, в строке декларирования в каждой работе], для чего вы его использовали, и вставьте промпты. Декларирование никогда не понизит вашу оценку; недекларирование понизит. Если вы не уверены, разрешено ли то или иное использование, спросите меня до отправки работы, а не после.

Это последнее предложение переносит точку принятия решения на период до начала работы.

Четыре разговора, которые порождают конфликт

Студент, использовавший ИИ и не сказавший об этом. Относитесь к этому как к вопросу процесса, а не характера. Mohamed and Temimi (2026) моделируют оценивание как проблему несовершенной информации: студент знает, как была произведена работа, а институт видит только артефакт и частичные следы. Их модель областей отклика сравнивает три реакции — отсутствие использования ИИ, декларированное использование и скрытое использование — и спрашивает, какую из них каждый механизм делает наиболее привлекательной. Запрет задаёт формальную границу, но оставляет скрытое использование привлекательным, когда студенты воспринимают вероятность выявления как низкую; мониторинг повышает ожидаемую цену скрытого использования, не увеличивая декларирование; студенты становятся осторожными, не становясь прозрачными. Разрешение с декларированием делает честную отчётность жизнеспособной только тогда, когда цена честности низка. Практически: спросите, что работа должна была оценить, попросите студента отчитаться о своём процессе и воспринимайте позднюю декларацию как информацию, а не как признание.

Студент, который ссылается на ИИ за всё. Обычно это дефицит навыков в костюме соблюдения. Требования к указанию авторства в силлабусах выросли с 16% до 43%, тогда как упоминания академической добросовестности снизились с 63% до 49% — область просит цитирование, а не признание. Укажите формат один раз, в одном месте, в описании задания, а не в сноске силлабуса. Сформулируйте, что считается адекватным указанием источника в вашей дисциплине, и дайте один разобранный пример. Там, где настоящая проблема в том, что студент ещё не может выполнить лежащую в основе работу без модели, ответ — проектирование задачи, а не правило.

Групповая работа. Групповые задачи — это место, где пять мест политики расходятся быстрее всего: пять студентов могут иметь пять разных интерпретаций одного предложения, а оценивается только одна работа. Решите и опубликуйте для каждого группового результата, разрешено ли использование ИИ, кто его декларирует и что происходит, когда один участник выходит за рамки правила, — до начала проекта, а не во время спора. Если вы не можете сформулировать индивидуальный вклад, за который отвечает участник, оценивайте задачу как чисто групповую работу, а не выносите решение об авторстве постфактум.

Декларирование, которое вы не можете проверить. Некоторые декларации будут неполными, а некоторые умолчания — неопровержимыми. Не стройте правило вокруг разрешения, которого вы не можете достичь: Bassett et al. (2026) утверждают, что выявление ИИ вообще не следует использовать в образовании, по трём основаниям, которые напрямую касаются формулировок политики. Результат работы детектора — вероятностная оценка, которую невозможно проверить независимо, потому что реальное происхождение текста неизвестно, поэтому валидация строится на круговом рассуждении. Оценки детекторов не соответствуют стандарту баланса вероятностей, который требуется для расследования по добросовестности. И дихотомия «человек против ИИ» бессмысленна для работы, созданной с помощью ИИ, а не им самим. Их вывод: выявление «не защищает академическую добросовестность; оно подрывает её». Они также указывают на проблему формулировок: правила, ограничивающие использование ИИ «при оценивании», не уточняют, когда оценивание начинается, поэтому использование ИИ в исследовании, планировании или редактировании может быть или не быть нарушением в зависимости от того, кто читает. Вместо этого назовите процессуальные доказательства, которые вы можете наблюдать, — представленный промпт и журнал взаимодействия, упражнение, выполненное на занятии, устное объяснение, — и воспринимайте декларированное использование ИИ как контекст. Там, где ваш институт всё равно использует детектор, действуют предупреждения тех же авторов о хранении данных, сроках хранения и коммерческом использовании студенческих работ; возражение о Приватность, которое выдвинули два будущих преподавателя, — это возражение, которое выдвинут ваши студенты.

«Но...» — три возражения, которые вы услышите

«Студенты просто будут это скрывать». Некоторые будут, и вопрос проектирования в том, каких студентов ваше правило искушает. Сдерживание работает через различительную способность детектора между скрытым использованием и законной работой, а не через его общую долю выявленных, поэтому, когда повышенная чувствительность даёт больше новых ложных срабатываний, чем новых верных выявлений, более сильный мониторинг может сделать сокрытие относительно более привлекательным — честные студенты наказываются быстрее, чем выявляются скрытые пользователи. И разрешение и декларирование — разные рычаги: разрешение сдвигает границу приемлемого использования, декларирование меняет видимость. Диагностируйте, где ваша задача сильнее всего тянет к сокрытию, и проектируйте для этого студента, а не для самого добросовестного.

«Я не хочу запрещать инструменты, которые не могу выявить». И не нужно. Запрет — лишь один из четырёх вариантов проектного решения, наряду с мониторингом, разрешённым использованием с декларированием и перепроектированием. Перепроектирование меняет то, что поощряет задача, и остаётся косметическим, если рубрика по-прежнему оценивает в основном конечный продукт. Pisan (2026) показывает варианты, сделанные явными и градуированными по уровням: использование ИИ запрещено во вводном курсе программирования, потому что передача первых циклов вовне убирает то, чему учат; поощряется в проектах по структурам данных (разрешён Copilot), но запрещено на письменных экзаменах; является вспомогательным средством для учёбы и повторения в курсе по системам для старших курсов; и обязательно в самом курсе по ИИ, где основную нагрузку несла одна граница — модель может писать код, но рефлексии должны быть собственным голосом студента. Оценивание переместилось на работу, которую модель не может тихо написать за студента, при полном отказе от экзаменов.

«Политика моего института уже это покрывает». Меньше, чем вы думаете. Этот разрыв между подходами «сверху вниз» и «снизу вверх» действует в обе стороны: 92% силлабусов содержат явные рекомендации, тогда как локальные правила отклоняются от институционального руководства, и лишь у 47 вузов были обнаружены оба уровня. Закупки, данные и циклы рецензирования относятся к Как написать и внедрить институциональную политику по ИИ?, но перевод в аудиторию — ваша работа. Nash and Burriss заключают, что институты должны вооружать преподавателей как сопротивляться, так и принимать, предоставляя руководство и профессиональное развитие, которые позволяют преподавателю отказаться от конкретного вида использования ИИ, не прослыв отстающим, — технодетерминизм их участников противоречил их собственным педагогическим обязательствам. Наличие институциональной политики — это не то же самое, что наличие прикрытия для вашего суждения.

Ваша первая неделя: список действий

• Инвентаризируйте оцениваемые задачи и по каждой спросите: «что, конкретно, я оцениваю?» — прежде чем решать что-либо об ИИ.
• Решайте задачу за задачей и проверяйте, какую реакцию это решение делает наиболее привлекательной для студента, наиболее склонного к сокрытию.
• Не делайте детектор механизмом применения; вместо этого назовите процессуальные доказательства, которые вы можете наблюдать, — журналы, работу на занятии, устную проверку.
• Скажите, как и где студенты декларируют использование ИИ, в одном стандартном месте, и воспринимайте декларацию как контекст, а не как признание.
• Формулируйте каждое правило как обоснование, называя оценивание, которому оно служит, с напоминаниями в сложных проектах.
• Пишите только те правила, которые вы можете последовательно применять на протяжении цикла проверки, и отбрасывайте те, которые не можете.

Куда идти дальше

Управление, политика в отношении данных, закупки и циклы рецензирования относятся к Как написать и внедрить институциональную политику по ИИ?; обязательные институциональные и районные правила — к Политика в области образовательного ИИ (Educational AI Policy) и Управление ИИ; перестройка самой задачи так, чтобы оценка по-прежнему поддерживала защитимый вывод, — к Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?.