Автоматический перевод данной английской страницы, не проверенный носителем языка.

What Competencies Do Faculty Need in Regard to AI?

Компетенции преподавательского состава должны выходить далеко за пределы написания промптов. Синтез AI Literacy в базе знаний выделяет четыре широких измерения:

• Базовое понимание возможностей и ограничений ИИ.
• Практическая компетентность в использовании ИИ-инструментов.
• Критическая оценка точности, смещения, уместности и неопределённости.
• Этическая и институциональная осведомлённость, охватывающая такие вопросы, как добросовестность, приватность, справедливость и Управление ИИ.

Педагогический слой

Для преподавателей эти измерения нуждаются в дополнительном педагогическом слое. Преподавательский состав должен уметь:

• Решать, какую когнитивную работу студенты должны сохранить за собой.
• Выбирать применения ИИ, согласованные с целями обучения.
• Проектировать валидное оценивание в эпоху ИИ.
• Учить студентов проверять и регулировать использование ИИ.
• Распознавать галлюцинации, чрезмерную зависимость и сикофантство.
• Знать, когда человеческое суждение должно преобладать над автоматизацией.

Преподавательскому составу также необходимо достаточное понимание систем, чтобы оценивать, как согласуются между собой рабочие процессы с поддержкой генеративного ИИ, а не рассматривать ИИ как изолированный инструмент. См. Teacher AI Competency и Faculty Development.

Уверенность — не компетентность

Исследования, обобщённые в базе знаний, также предостерегают от отождествления уверенности с компетентностью: самооценённая ИИ-грамотность может существенно расходиться с продемонстрированной способностью, что делает профессиональное развитие, основанное на результативности, и аутентичную практику предпочтительнее одних лишь опросов уверенности. Исследования учительских рабочих процессов с мультиагентными системами далее показывают, что системное мышление, педагогические убеждения и Самоэффективность взаимодействуют при интеграции ИИ, поэтому профессиональное развитие должно быть дифференцированным, а не одинаковым для всех семинаром по инструментам.

Что на самом деле даёт профессиональное развитие — и чего оно не даёт

Недавние исследования в сфере высшего образования дают конкретные цифры о том, где компетенции преподавательского состава сильны, а где ломаются. Опрос 127 преподавателей крупного исследовательского университета США с использованием инструмента Технологические педагогические знания о содержании (TPACK)-21 показал, что самооцениваемые педагогические знания содержания высоки (M = 4.70), а знания содержания почти максимальны (M = 5.15), но технологически интегрированные области заметно ниже: технологические педагогические знания (M = 2.62), технологические знания содержания (M = 2.75) и целостный TPACK (M = 2.55, самый низкий из семи). Экспертиза в содержании не предсказывала знания интеграции GenAI (корреляции CK r = .11–.15, все незначимы), поэтому развитие преподавателей не может предполагать переноса владения предметом и должно формировать компетенции в области генеративного ИИ через целенаправленное, дисциплино-специфическое программирование. Поскольку три технологически интегрированные области коррелировали r = .81–.91, они могут функционировать как единая способность интеграции GenAI, которую стоит преподавать как общий фундамент, а не как отдельные навыки.

Что обучение может и чего не может сделать — столь же поучительно. В исследовании с внутрисубъектным дизайном с участием 13 преподавателей высшего образования предоставление преподавателям чат-бота существенно улучшило качество их дизайна обучения — доля достигших двух и более задач Блума высшего порядка выросла с 41.7% до 91.7% (p = .01) — и резко снизила воспринимаемые когнитивные усилия (медиана с 6.33 до 3.33, p = .004); педагогическое обучение промптингу, наложенное поверх, не улучшило качество далее и несколько повысило усилия. Иными словами, доступ к ИИ легко меняет преподавательское поведение; более глубокая способность требует большего, чем семинар, и одни лишь приросты качества не доказывают, что преподаватели усвоили практику внутренне.

Стандарты, агентность и идентичность

Компетентность — это также институциональный вопрос. Дизайн-ориентированное исследование с 114 участниками из 28 учреждений США и 11 стран дало шесть стандартов технологической компетентности преподавателей, охватывающих полную академическую роль — Instructor, Coordinator, Leader, Researcher, Learner и Contributor, — поскольку существующие рамки (Технологические педагогические знания о содержании (TPACK), SAMR) и стандарты педагогов (ISTE, UNESCO, DigCompEdu) адресованы учителям K-12 или лишь измерению преподавания.

Опрос 287 учителей из 27 стран показывает, почему внедрение сопротивляется чисто технической формулировке: уточнённая модель объяснила 79.8% дисперсии поведенческого намерения, однако воспринимаемая искусственная автономность влияла на намерение лишь косвенно, через полезность, и неприятие риска было значимым негативным предиктором (−.163), причём учителя беспокоились гораздо больше о чрезмерной зависимости студентов от ИИ (overreliance) и рисках для добросовестности, чем о своём собственном использовании. Внедрение зависело от контекстно-зависимого суждения, а не от привлекательности автоматизации. Наконец, интервью с двумя опытными учёными показывают, что интеграция ИИ порождает повторяющиеся напряжения идентичности — педагогика против платформы, воспитатель против фасилитатора, забота против соответствия, — которые преодолеваются через принципиальную избирательность, основанную на педагогических ценностях. Компетентность, следовательно, включает профессиональное суждение о том, когда не использовать ИИ, а не только навык его использования.

Для студентоцентрированного аналога см. Как включить ИИ-грамотность в мой курс? и Какие доказательства существуют по интервенциям в области ИИ-грамотности в высшем образовании?; для ориентированной на преподавателя сводки см. Какие 10 главных выводов из исследований ИИ в образовании должны знать преподаватели?.