Вища освіта

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Вища освіта — інтеграція штучного інтелекту в університетське викладання, навчання, оцінювання та адміністрування. Вища освіта є найбільш дослідженим контекстом у базі знань: понад 100 статей досліджують, як ШІ трансформує навчання на рівні коледжу, інституційну політику та студентський досвід. ШІ у вищій освіті є водночас домінуючим середовищем для досліджень в галузі AIEd і місцем, де його напруги найвидиміші — між обіцянкою генеративного ШІ щодо масштабованої персоналізації та його небезпеками для академічної доброчесності, навчання, Приватність та справедливості. Вона охоплює як бакалаврат, так і магістратуру, включно з професійними програмами, такими як медицина і бізнес.

Питання для роздумів

• Вища освіта — місце, де напруги ШІ найвидиміші: масштабована персоналізація проти небезпек для доброчесності, навчання, приватності та справедливості. Яку з цих напруг ви бачите найконкретніше розгорнутою у вашій власній установі?
• Великі дослідження виявляють розриви між інституційною політикою і тим, що студенти насправді роблять із ШІ день у день. Як ви думаєте, чому офіційна політика так часто розходиться з реальною студентською практикою?
• Сторінка представляє впровадження ШІ як нерівномірне — деякі установи трансформуються, інші відстають, і це формується організаційними драйверами та національною політикою. Які фактори, на вашу думку, визначають, чи університет адаптується, чи застряє?
• Оскільки ШІ робить персоналізовану підтримку майже вільною та універсальною, як це зсуває цінність і роль самого університету? Що стає дефіцитнішим, а тому ціннішим?
• Одна знахідка зазначає зменшення часу на навчання серед студентів коледжів, які користуються ШІ. Якщо студенти витрачають менше часу на навчання, але повідомляють про задоволеність, що це говорить про те, що установам слід вимірювати та оберігати?
• З огляду на розрив між самооціненою та фактичною готовністю факультету до ШІ, як би виглядало значущий розвиток факультету у вашому контексті — і хто має за це відповідати?

Вступ

Дослідження ШІ у вищій освіті охоплює кожну функцію університету: від репетиторства на основі ШІ і автоматизованого оцінювання до розвитку факультету, академічної доброчесності, інституційного врядування та підтримки студентів. Статті бази знань із вищої освіти групуються навколо кількох ключових тем — інституційної трансформації, студентського досвіду в масштабі, факультету та викладання, оцінювання та доброчесності, а також швидкої зміни політики та практики.

Інституційна трансформація

Фреймворки інституційних змін аналізують, як університети адаптуються до ШІ — не лише на рівні аудиторії, але й у межах політики, врядування та організаційної структури. Фреймворк EPIQ-AI переосмислює готовність факультету як завдання соціотехнічного узгодження, що охоплює епістемічну, педагогічну, інституційну та якісну домени. Переосмислення університетів в еру ШІ досліджує, чи можуть нинішні інституційні моделі розмістити освіту, рухому ШІ. Впровадження не є рівномірним: дослідження організаційних драйверів виокремлює те, що вможливлює або блокує інституційне засвоєння, а аналізи національної політики показують, як системний контекст формує відповіді університетів. Конкретний інституційний план дає Qin (2026), який документує перепозиціонування університету Ліннань як «Дослідницько-інтенсивної установи вільних мистецтв цифрової ери», вводячи обов’язкову грамотність GenAI для всіх бакалаврів і вбудовуючи цифрову грамотність у Спільне ядро, водночас розвиваючи модель за участі людини в циклі, що виводить на передній план етичне міркування та критичне судження — стверджуючи, що зсув «ШІ для освіти» є інтелектуальною трансформацією, а не техноцентричним посиленням. Мапінг на макрорівні 22 інтервенцій інтеграції ШІ у вищу освіту (AlSheikh et al., 2026) підтверджує, що трансформація залишається більше прагненням, ніж реальністю: за моделлю SAMR більшість інтервенцій сидять на рівні підстановки чи посилення, інтеграція сконцентрована в медицині, інженерії та комп’ютерних науках із слабою присутністю гуманітарних наук, а свідчення перекошені на Північну Америку та Азію із мінімальним представництвом Глобального Півдня.

Глобальний порівняльний індекс вимірює розрив між дискурсом і структурою. Chan (2026) кодував офіційні сайти всіх 100 університетів із рейтингу Times Higher Education 2026 за індексом інституціоналізації ШІ з 20 індикаторів. Символічний шар насичений, тоді як структурний шар тонкий: 100 % мають робочу групу зі ШІ та магістерський ступінь зі ШІ, але лише 12 % мають виконавче лідерство в галузі ШІ, 5 % вимагають вступного курсу зі ШІ для бакалаврів, і 0 % публікують політику доступності ШІ, незважаючи на те, що 93 % розгортають сервіси ШІ на кампусі.

Інституціоналізація також виявилася незалежною від престижу (рангова кореляція r ≈ 0,04), із значущою регіональною варіацією (ANOVA F = 5,86, p < .001; Північна Америка M = 0,63 проти Європи 0,51, Азії 0,50) і типологією з шести моделей, у якій лише невелика підмножина переважно великих американських державних університетів досягає «глибокої інституціоналізації». Автор позначає індекс як першого покоління, невалідований, лише за сайтами вимір елітної сотні — порівняльну мапу, а не оціночний бал.

Те, які форми використання GenAI установа зробила легітимними, саме по собі є вимірюваним. Sun, Dohn and Rehm (2026) класифікували 102 емпіричні дослідження вищої освіти за тим, як епістемічна робота розподілялася між студентом і системою, і виявили, що застосування типів Assistant (42,16 %) і Enabler (42,16 %) домінують, тоді як Generator, Reimaginator і Synthesizer разом становлять менше п’ятої частини корпусу — не тому, що моделі не можуть робити решту, а тому, що маргінальні форми розподіляють авторство способами, яких логіка індивідуальної компетентності університету ще не визнає. На їхній розповіді обмежувальним чинником для GenAI у вищій освіті є інституційна легітимність, а не технічна здатність, що ставить питання просто в ту саму територію політики та перепроєктування оцінювання, що й реформа доброчесності та Оцінювання.

Розгортання ШІ поза аудиторією стало питанням захисту споживачів, і інвентаризація цього на боці студентів є тонкою. Звіт SHAPE AI організації Student Defense (2026) мапить інституційне використання ШІ в прийомі, рекрутингу та фінансовій допомозі, сервісах успішності студентів (консультування, психологічна допомога, доступ до пільг, перенесення кредитів) і постачанні освіти — вбудовані в LMS функції від Canvas, Blackboard і D2L Brightspace, загальноуніверситетські платформи GenAI, системи репетиторства та зворотного зв’язку, виявлення та прокторинг — і стверджує, що впровадження випереджає захист. Його шість міжсекційних занепокоєнь (чи студенти отримують те, за що платять; втрата навчальних спільнот; розкриття та прозорість; приватність даних; упередженість; калібрований людський нагляд) поєднано з екраном закупівель із чотирьох питань: яку проблему розв’язується, чи існує здатність до врядування, чи установа є прозорою, і чи створює розгортання цінність для студентів. Позиція звіту — штати, акредитатори та федеральний Департамент освіти ще не обладнані, щоб ловити ці небезпеки, залишаючи власну письмову політику установи єдиним діючим захистом, і звіт називає режим відмови прямо: коледж, що рекламує програму під керівництвом факультету, тоді як навчання або проєктування курсу віддано на аутсорсинг ШІ чи стороннім постачальникам, продає інший продукт під власним іменем.

Студентський досвід у масштабі

Великомасштабні дослідження автентичного використання ШІ студентами та доступності GenAI та задоволеності документують, як студенти насправді використовують ШІ — виявляючи розриви між інституційною політикою та щоденною практикою. Дослідження-огляд фіксує, як студенти орієнтуються в ландшафті ШІ, а дослідження часу на навчання, умінь зі ШІ для випускників і уявлень студентів про інструменти ШІ показують, що студентський досвід із ШІ є змішаним — ефективним, але часто мілкішим. Значна частина цього університетського навчання відбувається нині онлайн, де онлайн-викладання та навчання формує і користі ШІ (масштабована персоналізація, цілодобова підтримка), і його небезпеки (академічна доброчесність, перекладання когнітивної роботи) для студентів коледжів. Дослідницький підхід на основі ML із аналізом SHAP дослідив, як уявлення та демографія студентів пов’язані з наміреним академічним використанням ChatGPT, пріоритезуючи інтерпретовність (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). В освіті з мистецтва та дизайну, де генеративний ШІ кидає виклик цінності людської Креативність, модель навчання на основі проєктів зі цифровим сторітелінгом у своєму ядрі культивувала емоційні, культурні та наративні здатності, яких ШІ бракує — оцінена через 15-тижневий вбудований кейс-стаді з 426 китайськими бакалаврами, які переклали локальну культурну спадщину в Мультимодальний ШІ наративи (In the AI era: A project-based digital storytelling framework for art and design education). Асистивні та інклюзивні використання GenAI також переформовують студентський досвід для здобувачів з інвалідністю: Khlaif et al. (2026) — якісний кейс-стаді 21 бакалавра з вадами зору у трьох палестинських університетах — виявив, що GenAI пристосовує темп, контент і постачання до індивідуальних профілів, спрощує складні тексти та переводить контент між модальностями, даючи здобувачам почуття автономії і впевненості в участі в аудиторії, водночас сприймаючись як той, що доповнює, а не замінює викладачів.

Поза аудиторією ШІ сягає студентів через саму установу — консультування, звернення, направлення та розподіл дефіцитної підтримки, — що підтримка та успішність студентів збирає як власний корпус свідчень. Його центральне застереження щодо масштабу походить із чотирирічної рандомізованої оцінки (N = 8 708), у якій підштовхування до реєстрації зсунули дедлайн на 34 процентних пункти, тоді як випуск, кредити та GPA не зрушили взагалі.

Магістерська та професійна освіта

База знань сильно перекошена на бакалаврат, і вона розміщує магістерську та професійну підготовку всередині предметно специфічних сторінок (освіта в медичних та охоронних здоров’я професіях, освіта з бізнесу, педагогічна освіта), а не в окремій сторінці магістерської освіти. Однак два напрями стосуються саме студентів магістратури, докторантури та професійних програм: навчання дослідницькій роботі та програми професійних ступенів.

Післядипломна дослідницька практика є відмітнішою з двох. Dai and Chan (2026) проаналізували, як 28 аспірантів-дослідників у семи фокус-групах реалізовували ШІ-грамотність у своєму дослідженні з допомогою GenAI, і виявили, що вони є каліброваними користувачами, а не пасивними прихильниками — узгоджуючи інструменти із завданнями за сприйнятими ставками та дисциплінарними нормами, зберігаючи людський нагляд і проводячи власні межі між прийнятною допомогою в підготовці чернетки та підміною свого міркування. Їхня центральна знахідка — прогалина в політиці: інституційні вказівки щодо GenAI стосуються викладання, навчання та оцінювання, але майже нічого не кажуть про дослідницький процес, тому автори пропонують орієнтовані на дослідника вказівки, що забезпечують скаффолдинг кожного виміру ШІ-грамотності упродовж дослідницького робочого процесу для дослідників та їхніх наукових керівників. Oh, Talton and Bui (2026) підходять до тієї самої популяції з інституційного боку: серед 93 аспірантів біонаук і докторантів на обов’язковому курсі дослідницької етики три прості доінструкційні поведінкові сигнали інформували легке профілювання при вступі для адаптивного навчання Етика за допомогою ШІ, тоді як попередні курси зі ШІ не передбачали жодного з п’яти результатів уявлень. ШІ також переформовує саму дослідницьку команду — аналіз 147 074 публікацій з 2020 року пов’язує написання за допомогою ШІ з меншими командами, перекошеними на молодших, які створюють високоцитовану роботу, розвертаючи багатолітній дрейф «Великої науки» до більших співпраць — і кейс-стаді одного дослідника документує, як виглядає стійка аґентна підтримка всередині власного робочого процесу одного дослідника.

Програми професійних ступенів тримають більшість свідчень магістерського рівня, і вони організовані за дисциплінами. В освіті охоронних здоров’я професій рандомізований контрольований дослід 100 студентів третього курсу медицини перевірив мультиагентну систему LLM — змодельованого пацієнта, сократичного репетитора, оцінювача на рівні ходу — організовану навколо явних функцій Скаффолдинг для навчання клінічному інтерв’ю, тоді як фреймворк SCAN переосмислює використання ШІ стажерами як задачу розподілу завдань і класифікації метакогнітивної в реальному часі, а не неправильного використання здобувачем. Підготовка на рівні магістратури з’являється в Zhu et al. (2026), чия модель D–T–E підвищила компетентність проєктування навчання студентів M.Ed. з математичної освіти (Cohen's d = 0,62), змусивши три LLM діяти як «інтелектуальні рецензенти» в циклі проєктування–зворотного зв’язку–рефлексії. Як студенти концептуалізують GenAI та власну професіоналізацію перетинає ці програми, тоді як навчання на робочому місці та безперервне професійне навчання — суміжне, але відмінне від магістерського навчання — розглядається в розділах Дорослі здобувачі та Навчання на робочому місці.

Факультет та викладання

Освітній розвиток досліджує, як викладачі впроваджують, опираються чи адаптуються до ШІ. Дослідження впровадження ШІ викладачами виокремлюють упевненість, підтримку та ставлення як ключові предиктори. Дослідження дискреційного зворотного зв’язку за допомогою ШІ зонджують, чи підвищує ШІ якість зворотного зв’язку та його кількість викладача, і дослідження етики зважують, чи мають викладачі взагалі використовувати ШІ для зворотного зв’язку. Дослідження уявлень персоналу та феноменографічні дослідження уявлень викладачів зонджують, як педагоги розуміють свою змінювану роль. У великих аудиторіях ШІ може нині нести зростаючу частю навантаження зі зворотного зв’язку: семестровий польовий експеримент у т’юторіалах з макроекономіки для бакалаврату (Geschwind et al., 2026) виявив, що індивідуальний зворотний зв’язок GPT-4 підтримував найвищу участь упродовж восьми відкритих завдань і давав найбільший приріст у навчальних здобутках за контентом, позиціонуючи зворотний зв’язок ШІ як масштабоване доповнення до зворотного зв’язку лектора та заміну ненадійного зворотного зв’язку однокурсників. Доповнювальний маршрут для великих бакалавратських STEM-класів — діагностична система асистента викладання: Arthur (Yin et al. 2026) використовує хребет ML на кожне запитання, щоб давати персоналізований зворотний зв’язок у реальному часі на запитаннях Engineering Economics Calculated Formula Questions — домені, де рукописні розв’язання раніше блокували підтримку ШІ — через діалоговий вебінтерфейс із банком запитань, що зважує точність зворотного зв’язку проти ефективності збору. Farazouli et al. (2026) фіксують емоційний вимір цієї зміни: 24 шведські викладачі університетів переживали появу GAI як тривожну та пригнічувачу, повідомляючи про «стан уразливості» (низька впевненість, невпевненість, страх «не бути попереду студентів») і почуття «застрягання» між утопічним і дистопічним дискурсами — водночас переосмислюючи Оцінювання і переоцінюючи свої пріоритети на користь критичного мислення та етичного використання GAI.

Оцінювання та доброчесність

Академічна доброчесність та дослідження реформи оцінювання в умовах ШІ борються з питанням, як університети мають перепроєктувати оцінювання для корпусу студентів, здатного користуватися ШІ. Підходи, зосереджені на виявленні, поступаються місцем Аутентичне оцінювання та оцінюванню на основі процесу, включно з усними іспитами, близнюками оцінювання та перепроєктуванням автентичного оцінювання. Цей зсув відображає глибше занепокоєння: як студенти та установи визначають списування зі ШІ, і якістю згенерованих ШІ матеріалів оцінювання. Автоматизація самого оцінювання дозріває для відкритої університетської роботи: Pecuchova, Benko & Drlik (2025) протестували одинадцять моделей GenAI та вбудовування речень на 1 885 відповідях на 24 запитання іспиту з програмної інженерії і виявили, що лише GPTo1 досяг майже досконалої згоди з двома експертними людьми-оцінювачами (Fleiss' Kappa 0,82), із перевагою контекст-чутливих моделей над основаними на еталоні — але витрати на пропрієтарний API змусили авторів рекомендувати гібридне розгортання за участі людини в циклі для установ з обмеженими ресурсами. На рівні професійних програм Olvet et al. (2026) показують, що оцінювання за допомогою Великі мовні моделі (LLM) (GPT-4) відкритих запитань медичного іспиту до кліриків може досягати значущої-до-майже-досконалої згоди з оцінювачами-факультетом (зважена каппа до 0,94) після ітеративного вдосконалення рубрики людиною, тоді як автори все одно рекомендують тримати людей у циклі для арбітражу залишкових розбіжностей. Доповнюючи ці свідчення на рівні моделі, Falahat, Das, Bhaumik & Thambi (2026) оцінили іспит університетської фармації з 21 пункту за допомогою ChatGPT-5 і виявили майже досконалу згоду з факультетом на об’єктивних пунктах (CCC 0,935–1,000), але ненадійну згоду на пунктах із короткою відповіддю та есе, причому надання рубрики не покращувало успішність послідовно — підсилюючи аргумент на користь гібридного оцінювання за участі людини в циклі в університетському оцінюванні.

Наслідки для викладачів вищої освіти

• Проєктуйте оцінювання для корпусу студентів, здатного користуватися ШІ. Підходи до доброчесності, зосереджені на виявленні, поступаються місцем автентичному та основаному на процесі оцінюванню (за межами виявлення, реформа оцінювання) — перепроєктуйте те, що ви оцінюєте, а не лише те, як ви це поліцуєте.
• Переробіть питання «що студенти мають усе одно вчитися робити руками?» Як і в обчислювальних науках, вирішіть, які вміння мусять бути збережені (перевірка, судження, процес), і зробіть їх оцінюваним ядром, а не припускайте, що вміння зі ШІ переносяться автоматично.
• Розглядайте готовність факультету як соціотехнічну, а не лише технічну. EPIQ-AI формулює готовність у межах епістемічних, педагогічних, інституційних та якісних доменів — узгоджуйте свою практику викладання з інституційним врядуванням, а не лише з володінням інструментом.
• Вирішуйте прогалину між політикою та практикою. Великомасштабні дослідження (ШІ в природі) показують, що студенти використовують ШІ способами, яких інституційна політика не передбачає — узгоджуйте свої очікування з реальним використанням і явно навчайте ШІ-грамотність.
• Використовуйте ШІ для підвищення якості та кількості зворотного зв’язку. Зворотний зв’язок за допомогою ШІ може збільшити зворотний зв’язок, який викладачі постачають; поєднуйте його з людським судженням, щоб він покращував навчання, а не просто автоматизував.
• Занурюйтеся в інновації оцінювання свідомо. Mesny, Roberge-Maltais & Galy (2026) стверджують, що Оцінювання та виставлення балів є серед найвпливовіших факторів, що формують навчання у вищій освіті, проте вони залишаються недостатньо дослідженими в таких галузях, як освіта з менеджменту (лише 58 статей за 20 років у чотирьох провідних журналах). Традиційні, переважно сумативні та нормно-орієнтовані підходи підривають глибоке навчання, Благополуччя, справедливість та доброчесність в еру генеративного ШІ; автори закликають викладачів активніше та взаємно залучатися з п’ятьма інноваційними практиками (автентичне оцінювання, само- та взаємне оцінювання, переоцінювання, оцінювання за стандартами, зняття оцінок), зазначаючи, що впровадження вимагає інституційної та культурної підтримки та інкрементальних експериментів.
• Розглядайте навчання дослідницькій роботі та наукове керівництво як власне місце ШІ-грамотності. Аспіранти-дослідники реалізують ШІ-грамотність як ситуативну практику, а не статичний набір умінь, і інституційні вказівки переважно зупиняються на викладанні та оцінюванні. Вказівки для роботи над тезою, дисертацією та публікацією мають забезпечувати скаффолдинг перевірки, атрибуції та розкриття конкретно для кожного виміру ШІ-грамотності — і прості доінструкційні сигнали можуть націлювати цю підтримку на курсах дослідницької етики — замість того, щоб видавати бінарні правила.

Пов’язані поняття

• Педагогічні патерни — Рівень, на якому було згенеровано більшість перевірених свідчень про послідовності
• Онлайн-викладання та онлайн-навчання — Онлайн-викладання та навчання
• Генеративний ШІ — Технології та моделі генеративного ШІ
• Великі мовні моделі (LLM) — Великі мовні моделі
• Досвід здобувача — Студентський досвід із ШІ у вищій освіті
• Освітній розвиток — Розвиток факультету та готовність до ШІ
• Академічна доброчесність — Академічна доброчесність в корпусі студентів, здатному користуватися ШІ
• ШІ-грамотність — ШІ-грамотність для студентів і факультету
• Валідність оцінювання — Дійсність оцінювання в епоху GenAI
• Політика щодо ШІ в освіті — Освітня політика щодо ШІ
• Регулювання ШІ в освіті — Регулювання ШІ в освіті
• Дистанційний прокторинг — Дистанційний прокторинг та автоматизована доброчесність іспитів
• Самоспрямоване навчання — Самостійне навчання зі ШІ
• Навчання на основі задач — Навчання на основі проблем зі ШІ
• Викладання — Роль викладача, що еволюціонує, в аудиторіях зі ШІ
• Зацікавлені сторони — Зонтичне поняття: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, проєктувальники, адміністратори, політики)
• Освіта у сфері мистецтв, дизайну та медіа
• Підтримка та успішність здобувачів — консультування, звернення, направлення та розподіл підтримки — інституційний бік успішності студентів

Пов’язані статті

• How colleges and universities are adopting AI in higher education: a global comparative analysis — Chan (2026): індекс інституціоналізації ШІ на 100 найвище ранжованих університетів; дискурс випереджає структуру, впровадження незалежне від престижу
• 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
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI — AI in the Wild: College Student AI Use
• A Framework for Institutional Change in the Age of AI — Institutional Change in the Age of AI
• Generative AI Availability, Grades, and Student Satisfaction at a Large University — GenAI Availability and Student Satisfaction
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — AI Assessment Scale and Reform
• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Rethinking Universities in the AI Era
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI Adoption Among Teachers
• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education — Уявлення персоналу щодо GenAI у вищій освіті
• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — Організаційні драйвери впровадження ШІ у вищій освіті
• Is It Ethical for Teachers to Use AI for Student Feedback? — ШІ у зворотному зв’язку студентам: етика
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond detection: redesigning authentic assessment in an AI-mediated world
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — Досвід із GenAI серед студентів вищої освіти Великої Британії (огляд)
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Викладачі проти роботодавців щодо умінь зі ШІ для випускників коледжів
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Зменшення часу на навчання на 26,9 % серед студентів коледжів
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — Політика Великої Британії щодо ШІ у вищій освіті
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking — Інструменти ШІ, академічна робота та списування
• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Assessing the quality of AI-generated exams: a large-scale field study
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Assessment twins for strengthening assessment validity in the age of GenAI
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — феноменографічне дослідження уявлень університетських викладачів про ШІ
• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Digital transformation of a liberal arts university toward a research-intensive model in the GenAI era (Qin 2026)
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Systematic review mapping AI integration in higher ed via FACETS + SAMR frameworks (AlSheikh et al. 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — Використання GenAI аспірантами-дослідниками в дослідницькому робочому процесі та орієнтовані на ШІ-грамотність вказівки (Dai & Chan 2026)
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Engagement intensity as a learner-modeling signal for adaptive AI ethics instruction (Oh, Talton & Bui 2026)
• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — Написання за допомогою ШІ зсуває дослідницькі команди до менших, перекошених на молодших, високоцитованих співпраць (Wang et al. 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI and human tutoring yield equivalent GRE learning gains
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026
• Literacy demands placed on students in student–GenAI entanglements in higher education — Форми Assistant та Enabler домінують в дослідженнях GenAI у вищій освіті; маргінальні типи сплутування залишаються рідкісними з інституційних, а не технічних причин (Sun, Dohn & Rehm 2026)
• Students at Stake: Risks of AI Deployment in Higher Education — Карта розгортання ШІ на боці студентів в прийомі, фінансовій допомозі, студентських сервісах та постачанні освіти, з екраном закупівель із чотирьох питань (Student Defense 2026)