Автоматический перевод данной английской страницы, не проверенный носителем языка.

How Do I Design Faculty Development for AI That Actually Changes Practice?

Если вы отвечаете за развитие преподавательского состава, давление, под которым вы находитесь, — это, вероятно, одно из следующих: проректор хочет ИИ-программу в этом году, посещаемость нормальная, но в аудиториях ничего не меняется, или те, кому это нужнее всего, не приходят. Все три указывают на один и тот же изъян дизайна. Практику преподавателя меняет не изучение того, что умеет инструмент; это — поддерживаемое, структурированное время, потраченное на проблему в его собственном курсе, достаточно долгое, чтобы новая привычка заменила старую, причём институт явно говорит «да» эксперименту, а не просто его допускает.

Короткая версия. Прекратите проводить демонстрации инструментов. Стандартизируйте цикл занятий, в котором каждый участник приносит реальный артефакт курса, а уходит с переработанным, встройте проверку, раскрытие информации и контроль рисков в рабочий шаблон, а не добавляйте этику отдельным блоком, растяните программу больше, чем на один день, и соедините её с наставничеством, формируйте дисциплино-специфические когорты, и измеряйте артефакты, которые люди произвели, с задержкой, а не то, насколько уверенно они себя чувствовали в последний вторник. Остальная часть этой страницы — доказательства по каждому из этих выборов, институциональные условия, которые решают, устоят ли они, и что сказать декану, который спрашивает, сработало ли это.

Почему модель семинара недотягивает

Наиболее прямое сравнение в этой литературе — Bi et al. (2026), которые опросили 568 преподавателей в пяти университетах, а затем провели квазиэксперимент со 160 из них. Обе группы получили четыре 90-минутных семинара в последовательные недели с идентичным временем контакта, той же платформой и той же поддержкой фасилитатора. Различием было содержание: одна группа имела обычное развитие преподавателей в области GenAI, другая работала в структурированном цикле формулирования промптов, рецензирования результатов, переработки материалов курса и письменной рефлексии по шаблону из семи компонентов, охватывающему цели, ограничения задач, критерии оценивания, проверку, раскрытие информации и контроль рисков. Структурированная группа набрала более высокие баллы по всем семи измерениям готовности, её наибольшее преимущество было в дизайне промптов — примерно два стандартных отклонения, — и только у этой группы прирост в дизайне промптов уцелел при отсроченном тестировании; меньший прирост в обычной группе к моменту последующего наблюдения откатился ниже базового уровня.

Ещё два результата объясняют, почему демонстрации не переносятся дальше. В Bai and Hsieh (2026), опросивших 898 университетских преподавателей по шкалам AI-TPACK, преподаватели, понимавшие, как работают генеративные инструменты, или умевшие компетентно ими пользоваться, были не более склонны сообщать об изобретении и внедрении новых практик преподавания, чем те, кто не умел. Интегрированный конструкт AI-TPACK вообще не имел прямого пути к инновационному поведению: его влияние проходило целиком через ИИ-грамотность, преподавательскую Самоэффективность и профессиональную идентичность. Иными словами, способность опосредуется тем, как преподаватель видит себя, а обзор инструмента этого не затрагивает.

Есть и предел. В исследовании с внутрисубъектным дизайном с участием 13 преподавателей высшего образования доступ к чат-боту повысил долю активностей, достигающих двух и более задач Блума высшего порядка, с 41.7% до 91.7% (p = .01) и снизил воспринимаемые когнитивные усилия с медианы 6.33 до 3.33 (p = .004) — но наложенное сверху педагогическое обучение промптингу не улучшило качество дизайна далее и несколько увеличило усилия. А в семинаре с 60 преподавателями естественных наук из средней школы продуктивным элементом было совместное рецензирование сгенерированных ChatGPT вопросов для оценивания — именно оно вскрывало проблемы концептуальной точности и риск закрепления Заблуждения об ИИ. Общее у этих двух исследований в том, что обучение проистекало из критики и переработки материала, а не из показа материала.

Что строить вместо этого

Архитектура дизайна, которая наиболее точно соответствует приведённым выше доказательствам, — рамка i-TPACK Догана (2026), построенная на обзоре PRISMA профессионального развития в области ИИ плюс поиск, вскрывший ещё 17 исследований. Она согласует пять областей знаний — интеллектуальные технологические знания, технологические знания содержания, технологические педагогические знания, интегрированный i-TPACK и этику ИИ — с четырьмя основанными на доказательствах путями: Активное обучение, модели и примеры, коучинг и экспертную поддержку, а также Обратная связь и рефлексию, управляемыми пятью принципами — от Collective Synergy Over Silos до Flexibility within Structure. Её критика области заслуживает серьёзного внимания, прежде чем вы будете копировать чью-либо программу: во многих существующих предложениях этика проработана поверхностно или отсутствует полностью. Предел рамки в том, что она концептуальна и не имеет данных о результатах на уровне программы.

В переводе на программу, которую вы могли бы запустить в следующем семестре, это означает:

• Каждое занятие заканчивается переработанным артефактом. Участники приносят цель, рубрику или задание для оценивания и уходят с ними изменёнными. Bi et al. (2026) измерили именно этот цикл, и это версия, которая устояла при последующем наблюдении.
• Шаблон несёт трудные части. Проверка, раскрытие информации и контроль рисков принадлежат рабочему документу, которым участники пользуются всю неделю, а не заключительному сегменту. Это также то, куда тревожность находит полезное применение, что важно ниже.
• Рассматривайте дизайн оценивания как цель с наибольшей отдачей. В восьмичасовой программе Talebzadeh (2026) из четырёх двухчасовых занятий со 163 преподавателями и будущими преподавателями общий AI-PCK вырос с 151.65 до 220.14 (d = 2.36, p < .001), и наибольший эффект компонента был в рубриках оценивания (d = 2.19) — также самой слабой области на предтесте. Разрыв был меньше в методике преподавания, чем в оценивании.
• Заложите больше дня и добавьте наставничество. Будущие преподаватели в той же программе набрали значимо больше, чем опытные (p = .033), в основном в дизайне задач на основе сценариев и в дизайне рубрик. Опытные преподаватели сказали, что восьми часов слишком мало, чтобы сдвинуть устоявшиеся привычки, и попросили долгосрочную поддержку на основе наставничества.
• Сегментируйте аудиторию вместо проведения одного универсального семинара. Sutedjo, Chowdhury and Liu (2026) среди 127 респондентов обнаружили, что самооцениваемые педагогические знания содержания были высоки (M = 4.70), а знания содержания почти максимальны (M = 5.15), в то время как технологические педагогические знания (M = 2.62), технологические знания содержания (M = 2.75) и целостный TPACK (M = 2.55) были заметно ниже. Знания содержания не показали значимой корреляции ни с одной технологически интегрированной областью (r = .11–.15), поэтому владение предметом не переносится, а эти три низкие области коррелировали r = .81–.91 друг с другом — вероятно, одна способность, которую стоит преподавать как общий фундамент, а не три отдельных модуля.
• Решите, входят ли отношения в объём задачи. Aponte et al. (2026) утверждают, что ИИ вносит вклад в социально-эмоциональное развитие преподавателей только тогда, когда действует как реляционная инфраструктура — защищённое время для наставничества, диалога с коллегами, сообществ практики, — и предлагают relational densification как стандарт, считая доверие, непрерывность поддержки и корегуляцию вместо контактных часов. Два их утверждения переводятся напрямую: освободившееся время поглощается как дополнительная нагрузка, если институт формально не требует его реинвестировать, и разговорные агенты могут тихо стать удобной заменой трудных человеческих переговоров, которые и дают рост. Их рамка — эвристика, а не проверенное каузальное утверждение.

Институциональные условия решают больше, чем учебный план

Это — вывод, который стоит принести на встречу с руководством. В том же исследовании казахстанские преподаватели сообщали о более высокой базовой готовности, чем их китайские коллеги, по всем семи измерениям, с наибольшими разрывами в дисциплинарном переносе, дизайне промптов и базовом понимании. Однако в иерархической регрессии коэффициент по Казахстану — явно значимый сам по себе — упал до незначимости, снижение примерно на четыре пятых, после ввода предшествующего использования GenAI, недавнего обучения ИИ, институциональной поддержки, воспринимаемого разрешения, доступа к многоязычным ресурсам, ясности политики и чувствительности к риску. Институциональная поддержка и воспринимаемое разрешение несли наибольший положительный вес. Чувствительность к риску была единственным предиктором, работавшим против готовности. Более чем вдвое больше казахстанских, чем китайских преподавателей сообщили об обучении, связанном с ИИ, в предыдущие шесть месяцев.

Для руководителя программы рычаги поэтому локальны и близки: практика hands-on, явное разрешение экспериментировать, материалы на языках, на которых ваши преподаватели фактически работают, и видимая поддержка от подразделения. Национальная политическая рамка сама по себе готовность не создаёт. Там, где чувствительность к риску кусается, ответ — не успокаивать осторожность разговорами, а дать ей место, где она может быть реализована: дизайн рубрик и процедуры проверки — это то, как тревожность превращается в суждение.

Двум практическим трениям место в том же разговоре. Намерение продолжать использование было наиболее высоко оценённым измерением удовлетворённости в Bi et al. (2026), в то время как удобство инструмента — наименее, так что часть того, что выглядит как нежелание, — это трение платформы. А Aponte et al. (2026) локализуют твёрдый предел: ИИ не может компенсировать хроническую перегрузку, карающие культуры подотчётности, слабое лидерство или отсутствие защищённого времени. Если это ваши условия, лучший семинар их не исправит.

Скептики и тревожные — это суть, а не препятствие

Laidlaw (2026) на основе автоэтнографического описания утверждает, что сопротивление — это не дефицит навыков. Преподаватели, спрашивающие, в чём смысл преподавания в мире GenAI, не спрашивают, как безопасно пользоваться инструментом; вопрос онтологический. Читая GenAI как пороговое понятие — трансформативное, тревожное, необратимое, интегративное, ограниченное, — она заключает, что тревожность, сопротивление и замешательство — необходимые части пересечения этого порога, а не проблемы, которые следует исправлять, и её рекомендации переворачивают стандартный семинар: открывать вопросами идентичности, а не демонстрациями, формировать дисциплино-специфические когорты, допускать разные сроки и считать принципиальное непринятие, основанное на дисциплинарных ценностях, закономерным. Она также предостерегает, что коммуникация правил может скатиться в «иллюзию правоприменения», подменяющую поддержку сообщениями о соответствии.

Здесь также есть аргумент дизайна в пользу адаптации. В Bai and Hsieh (2026) профессиональная идентичность предсказывала инновационное поведение почти вдвое сильнее среди редких пользователей ИИ, чем среди ежедневных — пограничный результат, но он предполагает, что работа с идентичностью наиболее окупается с теми, кто едва касается инструментов. Sutedjo и коллеги выступают за осознанное дисциплино-специфическое программирование, потому что экспертиза не переносится; Laidlaw хочет дисциплино-специфические когорты как площадку для разговоров об идентичности; а Bai and Hsieh предлагают дифференцировать по опыту: ограниченным пользователям нужно базовое руководство, а частые пользователи получают больше от междисциплинарных проектов.

Для тревожного участника Aponte et al. (2026) добавляют условие управления, а не мотивационное: отделять поддержку благополучия от управленческой оценки, минимизировать данные, ограничивать цель, сохранять участие добровольным и гарантировать человеческий надзор. Именно это делает безопасным признание неопределённости в опосредованном ИИ пространстве.

У аффективному слоя теперь есть свой инструмент. Vassallo (2026) опросила 109 учёных и выявила «комплекс вины в связи с ИИ»: 35% беспокоились, что использование ИИ подрывает их доверие, и 26% сообщали, что чувствуют, будто «жульничают», причём предвосхищающая вина в отношении доверия превышает раскаяние после использования, так что страдание является социально-профессиональным, а не частным. Возникли четыре профиля — Comfortable Adopters (27%), Guilty Non-Users (29%), Cautious Users (28%) и Morally Distressed Avoiders (16%) — что означает, что единая программа решает четыре разные проблемы, и тем 29%, которые чувствуют вину, не используя инструменты, нужно что-то иное, чем демонстрация. Масштаб институциональной задачи виден в опросе AAC&U/Elon 1 057 преподавателей (Watson and Rainie 2026): 68% сказали, что их школы не подготовили преподавателей использовать генеративный ИИ для преподавания и наставничества, и примерно такая же доля — для исследовательской работы, в то время как 26% респондентов вообще не используют инструменты — включая 40% преподавателей искусствоведения и гуманитарных наук, — и 82% называют сопротивление коллег барьером для внедрения на кафедре.

Доказательство, что это сработало, для того, кто это финансирует

Институциональный каркас, с которым стоит согласоваться, — Crompton, Burke and Nickel (2026), чьё дизайн-ориентированное исследование в двух макроциклах и с 114 участниками — преподавателями из 28 учреждений США и 11 стран плюс директоров центров преподавания и координаторов по аккредитации — дало шесть стандартов, охватывающих всю академическую роль, а не только её срез преподавания: Instructor, Coordinator, Leader, Researcher, Learner и Contributor. Разрыв реален: существующие рамки и стандарты педагогов ориентированы на учителей K-12 или затрагивают только преподавание. Стандарты такого рода позволяют центру развития согласовать своё предложение с аттестацией и аккредитацией вместо проведения разрозненных семинаров, и это же аргумент, который выживает при пересмотре бюджета.

Будьте осторожны в том, как вы оцениваете, потому что большая часть этой литературы измеряет самоотчёт. Bi et al. (2026) измеряли самооценённую готовность, а не реализованное преподавание или обучение студентов, и их группы формировались добровольной записью и институциональным планированием, а не рандомизацией, поэтому их результаты — ассоциации, а не каузальные оценки. Bai and Hsieh (2026) — поперечное и самоотобранное исследование, опиравшееся на восемь университетов в одной стране и измерявшее каждый конструкт у одних и тех же респондентов в одно время; их шкала инновационности также сохранила формулировки общей меры инновационности. Sutedjo и коллеги не могут установить направление причинности, что важно, потому что их сильнейшее утверждение — что технологические знания действуют как ворота — есть именно то, что поперечный дизайн не может урегулировать. Talebzadeh (2026) сообщает очень большие эффекты без рандомизации, последующего наблюдения или разбивки по дисциплинам, поэтому d = 2.36 следует читать как краткосрочный, а не как доказательство устойчивой практики. Laidlaw (2026) — автоэтнографическая рефлексия, а Aponte et al. (2026) заявляют, что их рамка концептуальна.

Защитимое оценивание поэтому измеряет артефакты, а не мнения: материалы курса, которые участник переработал, написанные рубрики, спроектированные задания. Оно тестирует с задержкой, потому что разрыв в Bi et al. (2026) появился только при последующем наблюдении, где обычная группа деградировала, а структурированная — нет. Оно рассматривает удовлетворённость и уверенность как слабые сигналы — Pishtari и коллеги (2026) отмечают, что одни лишь приросты качества не доказывают интернализации, поскольку растущее качество дизайна в равной степени может отражать делегирование рутинной работы или принятие сгенерированной ИИ структуры. И оно добавляет по крайней мере один реляционный показатель, следуя Aponte et al. (2026), потому что улучшение артефактов при изоляции участников — не то, что программа обещала.

Три возражения и ответы на них

«У нас нет часов». Тогда тратьте их иначе, а не добавляйте. Сравнение в Bi et al. (2026) держало время контакта постоянным на уровне четырёх 90-минутных занятий; структурированная группа превзошла в тех же рамках. Шесть часов, организованных как цикл с артефактами, бьют шесть часов демонстраций, а более короткий формат, потраченный на рубрики оценивания, нацелен на самую слабую область в Talebzadeh (2026).

«Наши преподаватели не придут, или скептики это сорвут». Не вербуйте скептиков в демонстрацию. Открывайте вопросами идентичности, формируйте дисциплино-специфические когорты, допускайте разные сроки и говорите вслух, что принципиальное непринятие — закономерная позиция — это рекомендация от Laidlaw (2026), и она убирает спор о соответствии из комнаты. Ожидайте, что работа с идентичностью будет важнее всего для редких пользователей, согласно Bai and Hsieh (2026).

«Мы не можем заставить людей действовать». В основном не можете, но вы можете изменить то, что сигнализирует институт. Воспринимаемое разрешение и институциональная поддержка несли наибольший положительный вес в Bi et al. (2026) после того, как эффект национального фона обвалился, поэтому полезные шаги — дешёвые: заявите, что экспериментирование санкционировано, защищайте время формально, чтобы оно не было поглощено, предоставляйте материалы на рабочих языках преподавателей и устраняйте трение платформы, которое было наименее оценённым измерением в том же исследовании.

Контрольный список для проектировщиков программ

• Закрепляйте каждое занятие на реальном артефакте курса — цели, рубрике или задании для оценивания, — который участники приносят с собой и перерабатывают до ухода.
• Встройте проверку, раскрытие информации и контроль рисков в рабочий шаблон, а не добавляйте этику заключительным блоком.
• Проводите достаточно долго и соединяйте программу с последующим сопровождением на основе наставничества; опытный персонал сообщает, что короткие форматы не могут сдвинуть устоявшиеся привычки.
• Формируйте дисциплино-специфические когорты и дифференцируйте по уровню опыта вместо проведения одного универсального семинара.
• Открывайте вопросами идентичности до демонстраций и считайте принципиальное непринятие закономерной профессиональной позицией.
• Обеспечьте институциональную поддержку, воспринимаемое разрешение, защищённое время и доступ на рабочих языках преподавателей; они несут больший вес, чем национальная политическая рамка.
• Оценивайте по артефактам, с отсроченным измерением и по крайней мере одним реляционным показателем; честно сообщайте размеры эффектов на фоне самоотчёта и поперечных дизайнов.

По самой цели в части компетенций см. Какие компетенции необходимы преподавательскому составу в отношении ИИ?; по встраиванию ИИ в курс, а не в семинар, см. Как следует встраивать ИИ в учебный опыт?; а по более широкой институциональной картине см. Какие 10 главных выводов из исследований ИИ в образовании должны знать преподаватели?.