Автоматический перевод данной английской страницы, не проверенный носителем языка.

How Do We Write and Implement an Institutional AI Policy?

Вы — первый проректор, декан, руководитель системы управления, директор учебного центра или председатель комитета, которому предстоит подготовить или защитить эту политику и ответить коллеге, называющему её слишком строгой или слишком расплывчатой. Прямой итог: публикация политики — лёгкая часть, а сам документ ничего не меняет. Большинство учреждений уже ответили на вопрос, нужна ли им такая политика, просто опубликовав её, и образовавшийся массив широк, но поверхностен: он носит рекомендательный, а не обязательный характер, сгруппирован вокруг академической честности и скуден в вопросах данных, справедливости и возможностей, от которых зависит, пойдёт ли использование ИИ хорошо. Отстоящую свою обоснованность политику от документа, который пылится на полке, отличают назначенный ответственный, календарь пересмотра, путь внедрения в курсы и конструкция оценивания, поощряющая то поведение, которого вы добиваетесь.

Краткая версия

Кратко излагайте устремления и чётко формулируйте обязательства. Проверьте свой проект на каждое «может» (may) и «можно» (can) там, где вы имеете в виду «должно» (must), и определите плагиат и запрещённые виды использования словами, которые студент первого курса сможет применить. Назначьте ответственного руководителя и цикл пересмотра до публикации. Укажите, где живут обязательства по FERPA, GDPR, HIPAA, IRB и научной добросовестности, вместо того чтобы втягивать их в этот документ — один документ, вобравший в себя защиту данных, этику исследований, клиническое регулирование и академическую дисциплину, будет длинным, непрочитанным и неисполнимым. Финансируйте развитие персонала и доступ студентов вместе, потому что они отказывают вместе. Спросите, сколько курсов фактически внедрили политику в работу, и рассматривайте низкое число как сбой поддержки, а не как проблему соблюдения. Встройте рефлексию об использовании ИИ в оцениваемые работы в объёме, пропорциональном затрачиваемым на неё усилиям, и приложите план оценивания эффективности, потому что никто не может утверждать, что политика что-то улучшила, пока не измерит это.

Решите сначала: что регулирует ваш документ

Manikonda and Outlaw (2026) собрали политики в области ИИ из 149 университетов США категорий R1 и R2 и верифицировали 130 политик университетского уровня, охватывающих 34 штата. Регистр скорее рекомендательный, чем директивный: 95% политик получили негативный балл по ясности и силе формулировок, поэтому слабые обороты («может», «можно») доминируют над предписаниями («должно», «запрещено»). Политики университетского уровня отдают приоритет безопасности данных, снижению рисков, закупкам и правовому соответствию при практически полном отсутствии педагогических ориентиров, тогда как существующие политики школьного уровня сосредоточены на преподавании и ИИ-грамотность. Лишь восемь бизнес-школ имели собственную политику уровня школы, и в шести из восьми случаев она отличалась от рамочного документа своего университета. Предлагаемое авторами решение — слоистая структура: общеуниверситетский слой управления рисками, политики уровня факультета и межфакультетские комитеты с участием преподавателей и студентов.

Это даёт вам решение о рамках охвата, которое нужно зафиксировать письменно: объявите документ инструментом управления рисками и разместите операционные детали на уровне факультета, что также отвечает на упрёк в расплывчатости.

Решите во вторую очередь: обязательны ли положения

Посмотрите, что учреждения публикуют, когда никто не вынуждает их отвечать на этот вопрос. Eldredge et al. (2026) просканировали все 48 аккредитованных CAHIIM магистерских программ по медицинской информатике и управлению медицинской информацией в США. Сорок программ (83%) опубликовали хотя бы один документ, связанный с ИИ; из аналитической выборки 21 документ (53%) представлял собой руководство, 9 (23%) — информационные материалы и лишь 7 (18%) — формальные политики. Академическая честность была наиболее частым ключевым словом (n = 139), опережая цитирование (59), Оценивание (50) и плагиат (38); раскрытие использования ИИ и мошенничество по договорённости упоминались по одному разу; HIPAA упоминалась пять раз, FERPA — одиннадцать, а электронные медицинские записи — ни разу. Лексика справедливости практически отсутствовала: инклюзия (n = 9), доступность (n = 9), равный доступ (n = 2). Это внимание без соразмерной обязательной силы.

Урок ничего не стоит: пересчитайте свои модальные глаголы и запишите последствие там, где вы его имеете в виду.

Решите в третью очередь: кто её пишет и кого она связывает

Два обзора помещают слабость в недостаток возможностей, а не в намерениях. Ashiq (2026) обобщил более семидесяти британских источников и обнаружил, что лишь меньшинство учреждений поддерживают официальные планы управления ИИ, что пробелы в стратегическом планировании порождают дрейф политики и показное соответствие, что национальные ориентиры Office for Students и Jisc критиковали за недостаток конкретики и правоприменительных полномочий и что инвестиции в обучение персонала работе с ИИ и в инфраструктуру концентрируются в исследовательских университетах, тогда как учебно-ориентированные учреждения сталкиваются с ограничениями возможностей. Baroudi (2026) рассмотрел 19 источников и обнаружил, что лишь 7% учреждений создали руководящие должности в сфере ИИ, несмотря на то что 49% рассматривают ИИ как стратегический приоритет, причём разрыв между теорией и внедрением обусловлен слабостью политических рамок и ограниченностью цифровой инфраструктуры, особенно в странах Global South. Написание политики — не узкое место; узкие места — владение ею, обеспечение ресурсами и пересмотр.

Поэтому решите, кто её возглавляет и кто в ней состоит, до начала работы над проектом. Crompton et al. (2026) созвали панель Дельфи из 22 стран и территорий на шести континентах и выработали согласованную рамку с восемью базовыми областями — академическая честность, этичное и ответственное использование, конфиденциальность и защита, равный доступ, ИИ-грамотность в части GenAI, стратегия интеграции, человеческий надзор и подотчётность, институциональная поддержка и инфраструктура, — плюс механизм из шести частей для поддержания политики в актуальном состоянии: многопрофильный комитет по управлению (более половины панели), запланированные циклы пересмотра (половина панели), профессиональное развитие, коммуникация со всеми Заинтересованные стороны, оценка эффективности и мониторинг внешних изменений. Используйте эту рамку как контрольный список охвата, а механизм — как свою операционную модель. Отметьте, где консенсус перекошен, потому что ваш комитет дрейфует туда же: об этичном и ответственном использовании упоминали две трети участников панели, о конфиденциальности — более половины, но о равном доступе — лишь одна треть: справедливость — это то, что процесс консенсуса занижает в первую очередь. Половина панели настаивала на том, что значимые результаты работы GenAI должен проверять человек, и высказалась за сфокусированное на процессе и устное оценивание.

Одно решение об участии стоит принять осознанно. Hingle and Johri (2026) предложили студентам совместно разработать политику курса в отношении GenAI через управляемое исследование; приоритетами, которые проявились в результате, стали обучение студентов и преподавателей, стандартизированные процедуры раскрытия, усиленная институциональная поддержка вместо опоры на отдельных преподавателей и роль в решениях о правилах, управляющих их собственным обучением, — что говорит в пользу членства студентов в комитете, а не раунда консультаций. Baroudi обнаружил, что наделяющие полномочиями и распределительные стили лидерства связаны с большей вовлечённостью преподавателей и открытостью к изменениям, и задокументировал механизмы Управление изменениями (модель заражения Валенте, пятиступенчатая рамка Рибера и Уэлливера) как опору для внедрения. Стиль лидерства, судя по этим данным, — часть политики.

Tan et al. (2026) предлагают шестимерную организационную рамку, положения которой прямо оставлены для будущей эмпирической проверки. Это контрольный список того, что политика должна охватывать, а не доказательство того, что работает: полезна для структуры, но чрезмерное завышение значимости, если её цитировать как доказательство.

Разрыв на практике — между индивидуальными правилами и институциональными. Опрос 1 057 преподавателей вузов США (AAC&U/Elon; Watson and Rainie 2026) показал, что 87% создавали собственные правила для студентов в отношении использования генеративного ИИ, тогда как лишь 48% заявили, что такие рекомендации написало их учреждение, и 35% — что их факультет. В структурном отношении 55% сообщили о рабочей группе или группе надзора, 37% — о новых курсах, сфокусированных на ИИ, 17% — о специализации или втором профиле в области ИИ, 16% — о новых подразделениях академического руководства, и лишь 13% утвердили ИИ-грамотность как результат общего образования. Выборка ненаучна, и авторы сами говорят, что результаты не поддаются обобщению, но асимметрия — суть дела: правила, с которыми студенты действительно сталкиваются, написаны преподавателем, стоящим перед ними, и именно поэтому внедрение в курсы важнее публикации. Coates, Croucher and Calderon (2025) предлагают инструмент управления для противоположного конца — рамку показателей академической честности, построенную для руководящих органов учреждений через обзоры исследований, межвузовские кейс-стади, прототипирование и подтверждение экспертами, вместе с реформами структур управления, людей и технологий.

Решите в четвёртую очередь: где живут обязательства в сфере данных, конфиденциальности и согласия

Соответствие базовому законодательству — это не этичное управление данными. Varadaraju and Vijayakumar (2026) утверждают, что управление Аналитика обучения в высшем образовании остаётся ориентированным прежде всего на соответствие требованиям, сосредоточенным на выполнении FERPA и GDPR, и предлагают рамку LEAGUE — Lawfulness, Equity, Agency, Governance, Utility и Ethics by Design, — продемонстрированную на кейс-стади по раннему предупреждению. Панель Дельфи независимо поставила конфиденциальность и защиту данных в число критических тем для более половины своих участников, а третий политический pillar документа OECD Digital Education Outlook (2026) — это создание благоприятной среды для заслуживающего доверия GenAI, охватывающей Приватность, безопасность, тестирование на предвзятость и прозрачность.

Урок, извлечённый из корпуса по медицинской информатике, — дисциплина охвата: его документы об ИИ едва упоминали HIPAA, FERPA или ориентиры IRB и ни разу не упомянули электронные медицинские записи, потому что эти обязательства живут в более широкой политике соответствия. Укажите, где находится каждое обязательство, и потребуйте, чтобы студенты встречались с ним в учебных курсах.

Решите в пятую очередь: как политика доходит до аудитории

Это решение, на котором терпят неудачу большинство политик, и оно измеримо. Ganguly et al. (2026) проанализировали 116 институциональных политик в отношении GenAI из 131 университета категории R1 наряду с 98 учебными программами курсов по информатике из 54 учреждений категории R1. Учреждения в основном поощряли использование GenAI (73, 63%), тогда как 31 (27%) его не одобряли; на уровне курсов 90 учебных программ (92%) содержали явные указания, но 49 (50%) прямо запрещали использование GenAI, 40 (41%) допускали частичное использование, и лишь 7 (7%) поощряли его. Лишь 47 из 131 учреждений имели и институциональную политику, и обнаружимое внедрение на уровне курсов. Управление, судя по этим данным, означает перевод политики в конкретную поддержку преподавателей — иначе преподаватели будут импровизировать локальные правила, которые могут не согласовываться с институциональными ориентирами.

Спросите свой комитет, сколько курсов обнаружимо внедряют политику, и рассматривайте ответ как метрику поддержки, а не как метрику соблюдения.

Решите в шестую очередь: возможности, доступ и обещанный вами пересмотр

Два часто опускаемых положения — развитие персонала и равный доступ. Панель Дельфи поставила институциональную поддержку и инфраструктуру в положение базового фактора, обеспечивающего всё остальное; Baroudi обнаружил, что руководящие должности в сфере ИИ редки, и подчеркнул важность ИИ-грамотности и практического обучения для преподавателей и персонала. Ashiq обнаружил, что обучение персонала работе с ИИ концентрируется в исследовательских университетах, расширяя Цифровой разрыв. Adarkwah et al. (2026) проанализировали 159 документов из 30 высокорейтинговых университетов в десяти странах, наилучшим образом подготовленных по индексу готовности к ИИ МВФ, оценив их по восьмикомпонентной рамке ЮНЕСКО для GenAI. Четыре университета были исключены за отсутствие публично доступных политик, оставив 26, а для немецких университетов и Таллиннского технического университета публичных политик не было найдено вовсе. Базовые этические принципы и принципы управления получили широкое распространение, тогда как инклюзия, справедливость, доступ в интернет, гендерный паритет и влияние на окружающую среду часто игнорировались, и многие положения оставались декларативными, а не операционно обеспеченными — та же картина, что и в корпусе по медицинской информатике, где лексика справедливости практически отсутствовала. Четвёртый pillar ОЭСР — равноправная цифровая инфраструктура, включая автономные малые языковые модели для условий слабой связности. Tan et al. расширяют измерение компетенций за пределы ИИ-грамотность до грамотности в работе с данными, цифровой этики, стратегического мышления, лидерства в изменениях и обучения на протяжении всей жизни.

Заложите их в бюджет вместе и назначьте ответственного: политика, предписывающая использование ИИ без финансирования устройств, связности, адаптаций или обучения, возложила обязательство, которое не может быть поддержано.

Два недавних исследования политик дают вам инструмент аудита и предупреждение о поддержке. Gutowski and Hurley (2025) оценили институциональные политики по пяти измерениям с явными рубриками — запретительность, разрешительность, образовательная интеграция, прозрачность и подотчётность, а также глубина, — и обнаружили, что большинство учреждений их сектора занимают в целом запретительные позиции, оставляя при этом свободу усмотрения отдельным преподавателям, не существует единого принятого подхода, и сама ясность рассматривается как предварительное условие отстаиваемого правоприменения. Их рекомендация намеренно процедурная: исчерпывающие ориентиры независимо от вашей позиции, вовлечение заинтересованных сторон в разработку, упреждающее обучение, управление, спроектированное как гибкое, и циклы пересмотра — исходя из того, что генерация политики не является разовым событием. Qian (2026) приходит к тому же структурному выводу со стороны поддержки: учреждения отличаются не правилом как таковым, а экосистемой поддержки, публикуемой рядом с ним, — развитие преподавателей, ориентирование студентов, поддержка оценивания и структуры управления, которые делают политику операционной. Читайте свой проект как обязательство по поддержке с приложенными правилами, а не наоборот.

Четыре возражения, которые вы услышите

«У нас уже есть политика академической честности»

Она необходима, но недостаточна, и корпус показывает почему: честность — самое лёгкое положение для написания, и именно поэтому она доминирует в подсчётах ключевых слов, тогда как лексика справедливости, доступ и обязательства в сфере данных стоят практически на нуле. Данные поддерживают разделение труда, а не слияние — правила поведения остаются там, где процесс академической честности может их применять, а политика в отношении ИИ несёт в себе то, до чего кодекс честности не дотягивается: закупки и безопасность данных, процедура раскрытия, доступность и доступ, обучение персонала и условия оценивания, при которых честность достижима. Настойчивости панели Дельфи в отношении проверки человеком значимых результатов работы GenAI и её предпочтения оценивания, сфокусированного на процессе, и устного оценивания нет места в кодексе честности.

«Преподаватели будут её игнорировать»

Некоторые будут, и редко это дело воли. Данные Ashiq — о возможностях: планы управления редки, пробелы в планировании порождают дрейф политики и показное соответствие, а инвестиции в обучение и инфраструктуру концентрируются в исследовательских университетах, тогда как учебно-ориентированные сталкиваются с ограничениями. Данные Baroudi — о структуре: 7% учреждений создали руководящие должности в сфере ИИ против 49%, рассматривающих ИИ как стратегический приоритет. Данные Ganguly et al. — о внедрении: лишь 47 из 131 учреждений имели и политику, и обнаружимое внедрение на уровне курсов. Преподаватели не столько игнорируют политику, сколько остаются с ней один на один. Противодействием служат профессиональное развитие, разобранные примеры и распределительное лидерство, которое Baroudi связывает с большей вовлечённостью преподавателей и открытостью к изменениям.

«Студенты её не будут читать»

Они всё равно будут на неё реагировать — это более полезный факт. Braun and Khafizov (2026) опросили 1 809 студентов, 250 преподавателей и 62 представителя административного персонала в одном педагогическом университете и обнаружили, что студенты сообщают о большей интенсивности и полезности использования ИИ, тогда как преподаватели и персонал — о более сильной обеспокоенности академической честностью. В их объединённой модели воспринимаемая полезность имела наиболее сильную стандартизированную связь с Доверие (β = 0.402), а ясность институциональной политики была положительной, но слабее (β = 0.223); студенты сообщали о более высокой воспринимаемой ясности политики, чем преподаватели. Это поперечные самоотчётные ассоциации, но их порядок предостерегает от рассмотрения хорошо написанной политики как самостоятельного инструмента построения доверия. Ogbo et al. (2026) моделируют использование ИИ студентами как задачу координации, в которой поведением управляют групповые нормы, а не заявленные правила, и демонстрируют переходы, управляемые пороговыми значениями: рефлексивное оценивание должно вознаграждаться выше критического уровня, прежде чем ответственное использование вытеснит оппортунистическую практику, вознаграждение должно быть соразмерно усилиям, которых требует рефлексия, а чувствительность к поведению сокурсников определяет скорость каскада. Студенты реагируют на структуры оценивания, а не на декларации, что поддерживает педагогически управляемое управление вместо наблюдения. ОЭСР добавляет, что чат-боты общего назначения улучшают качество результатов работы, но это преимущество исчезает, а иногда и обращается вспять на экзаменах, когда доступ к ИИ убран, при снижении метакогнитивной вовлечённости по мере выгрузки работы на инструмент. Поместите требование в оцениваемую работу.

«Мы не можем это контролировать»

Не можете, и данные говорят, что вам и не нужно. Ogbo et al. предлагают единственный формальный результат в этом корпусе — одни лишь политические заявления оставляют оппортунистическую практику нетронутой, когда стимулы оценивания не согласованы, — так что рычаг — это конструкция, а не обнаружение. Наиболее сильный измеренный фактор у Braun и Khafizov — воспринимаемая полезность, а не ясность политики, поэтому политика, делающая ответственное использование полезным для студентов, заходит дальче, чем политика, угрожающая обнаружением. Там, где вы всё же применяете меры, держите их узкими и процедурными: определённые запрещённые виды использования, правила раскрытия, которым студенты могут следовать, и практики человеческой проверки и устного оценивания, одобренные половиной панели Дельфи. Ваш реальный риск — разрыв во внедрении, а не уклонение студентов: 92% учебных программ содержали явные указания, тогда как 50% прямо запрещали GenAI, против 63% институциональных политик, которые его поощряли. Несогласованность, с которой сталкиваются студенты, — между вашей политикой и вашими же курсами.

Там, где правоприменение терпит неудачу, это чаще проблема доказательств, чем проблема обнаружения, и именно здесь находится институциональный риск. Munoz et al. (2026), документируя реальные дела по обвинениям, обнаружили, что доказательная база тоньше, чем предполагает политика: записанные системой следы существуют только в условиях контролируемого оценивания, доказательства процесса (черновики, встречи с руководителем, презентации) существуют только там, где эти практики уже были обязательными, и естественная справедливость требует, чтобы студенту сообщили об обвинении и дали возможность ответить до любого определения по делу. Результат работы детектора не может это заменить: Hadra et al. (2026) измерили точность 0,69 и 0,61 у двух широко используемых коммерческих инструментов, оба не справляющихся с гибридным человеко-ИИ текстом и создающих пограничный риск ошибочной классификации в письменных работах студентов EFL, а Bassett et al. показывают, что ни один порог не снимает компромисса между отметкой честной работы и пропуском сокрытого использования. Вывод, опирающийся на балл, который никто не может оспорить, — это дело, порождающее апелляцию, жалобу и иногда иск. Запишите стандарт доказательств в политику, запретите самостоятельные доказательства от детекторов и свяжите процедуру с обязательствами в разделе Правовые вопросы и риски.

Чего данные пока ещё не могут вам сказать

Этот корпус не содержит ни одного исследования, измеряющего, изменила ли политика учреждения в области ИИ поведение студентов, практику персонала или результаты обучения. Существующее носит описательный характер: Manikonda и Outlaw обнаруживают, что язык политик слаб и не согласован; Ashiq документирует дрейф политики; Baroudi называет отсутствие лонгитюдных и каузальных данных пробелом. Eldredge et al. предостерегают, что анализ только публичных документов создаёт предвзятость видимости, поэтому отсутствие лексики конфиденциальности или справедливости — это вывод об опубликованных ориентирах, а не о практике. Tran, Liu and Nguyen (2026) рассмотрели 65 рецензированных статей об ИИ и социально-эмоциональном обучении и обнаружили, что почти три четверти из них вообще не упоминали последствий для политики, а то меньшинство, которое упоминало, по большей части не содержало деталей, специфичных для действующего лица, — кто должен действовать, по отношению к чему, почему, когда и как, — необходимых для реальной выработки политики. Рассматривайте этот пробел как повод оснастить свою политику инструментами измерения, а не как повод ждать.

Отстаиваемая позиция заключается в том, что политика — не результат работы; результат работы — механизм. Публикуйте обязательные положения там, где вы их имеете в виду, назначьте документу ответственного и запланированный пересмотр, переведите его в поддержку на уровне курсов, поместите обязательства по соответствию требованиям туда, где студенты с ними встретятся, финансируйте возможности персонала и доступ вместе и приложите план оценивания эффективности — никто не может утверждать, что политика что-то улучшила, пока не измерит это.

Что сделать на этой неделе

• Пересчитайте свои модальные глаголы. Найдите в проекте «может» и «можно», перепишите каждое употребление там, где вы имеете в виду «должно» или «запрещено», и определите плагиат и запрещённые виды использования явным образом.
• Назначьте одного ответственного и одну дату. Постоянный комитет по управлению, запланированный цикл пересмотра, названный исполнительный спонсор и строка, возлагающая ответственность за мониторинг внешних изменений.
• Назначьте разговор о многослойности. Соберите руководителей уровня факультетов и комитет с участием преподавателей и студентов и решите, какие положения являются общеуниверситетскими, а какие пишет факультет.
• Напишите недостающие положения. Адаптации, доступность, предположения об устройствах и связности и языковое покрытие должны стоять рядом с правилом, требующим использования ИИ; затем укажите, где живут обязательства по FERPA, GDPR, HIPAA, IRB и научной добросовестности.
• Попросите число по внедрению. Рассматривайте слабый ответ как сбой поддержки и соединяйте ограничения с разобранными примерами.
• Измените одно оценивание и один вопрос об эффективности. Встройте рефлексию об использовании ИИ в оцениваемые работы в объёме, пропорциональном затрачиваемым на неё усилиям, затем укажите, что вы будете измерять, когда и кто отвечает за полученный результат.

Для курсового аналога этой работы см. написание политики курса в области ИИ и доведение её до студентов. Исследовательская база лежит в исследованиях институционального управления, глобальной рамке Дельфи и аудитах политик на уровне программ; см. Администраторы и Управление изменениями — об измерениях лидерства и внедрения. Политика в области образовательного ИИ (Educational AI Policy) собирает отраслевую литературу, а Управление ИИ описывает, как распределяются полномочия и подотчётность.