Университетам ЕАЭС необходимы совместимые правила работы с искусственным интеллектом, чтобы студенты и исследователи ясно понимали, как указывать его участие в подготовке учебных и научных работ. Согласованные требования сделали бы оценивание прозрачнее и помогли бы точнее определить ответственность автора за представленный результат.
Университеты ЕАЭС начинают говорить на совместимом языке ИИ
Совместимость правил работы с искусственным интеллектом предполагает, что требования университетов ЕАЭС к его использованию в учёбе, оценивании и исследованиях можно сопоставить между собой. При этом внутренние положения вузов не обязательно должны полностью совпадать. Сравнивая университетские подходы, важно учитывать содержание требований, а не ограничиваться формулировками документов. Главный практический вопрос заключается в том, можно ли соотнести условия применения ИИ в определённой учебной или исследовательской задаче, даже когда вузы описывают их разными словами.
При таком подходе совместимость не равна унификации, которая предполагает одинаковые правила. Согласовывать нужно принципы применения технологии, поэтому положения об учебной работе следует сравнивать с требованиями к учебной работе, а нормы об исследованиях — с исследовательскими требованиями. Оценивание при этом нужно сопоставлять отдельно. Анализ должен двигаться от общего упоминания искусственного интеллекта в университетском документе к конкретным требованиям, которые напрямую касаются оценки работы, подготовленной с его помощью.
Почему вузам ЕАЭС нужны общие правила работы с ИИ
Академическая добросовестность предполагает чёткое различие между результатом работы и интеллектуальным вкладом её автора. Когда используется генеративный ИИ, принципиальное значение имеет то, кто сформулировал аргумент, проверил его обоснованность и несёт ответственность за выводы. Поэтому общие принципы для университетов ЕАЭС должны связывать авторство прежде всего с ответственностью за содержание, а не только с фамилией на титульном листе.
Ещё одна причина согласовать подходы связана с защитой образовательных данных. При выполнении задания с помощью ИИ необходимо отделять учебные материалы от сведений о студентах, которые могут оказаться в запросе вместе с ними. Правила должны давать практический ответ: какие данные разрешено передавать системе и для решения какой учебной задачи.
Для цифровизации высшего образования важно также понимать, что именно университет считает результатом обучения. Если задание рассчитано на самостоятельную аргументацию, использование генеративного ИИ нужно соотнести с поставленной целью. Общие принципы позволят связывать решение о применении инструмента с проверяемым учебным действием, например со способностью студента объяснить представленный вывод и убедительно его обосновать.
Правила использования ИИ в вузах стран ЕАЭС расходятся
Сопоставление университетских подходов лучше начинать с конкретного задания. Прежде всего нужно выяснить, разрешено ли в нём использовать ИИ и как такое условие влияет на оценивание результата. Само по себе наличие внутреннего документа этих вопросов не снимает и не позволяет понять, насколько детально прописаны условия выполнения учебной работы.
Самостоятельный критерий для сравнения составляют требования к раскрытию факта использования ИИ. В этом случае важно сопоставлять содержание требования, а не просто проверять, существует ли оно. Разрешение применять инструмент и обязанность сообщать о его использовании нужно разделять, поскольку ответ на первый вопрос никак не заменяет ответа на второй.
Подходы к научным исследованиям необходимо сравнивать отдельно. Нормы, установленные для учебных заданий, нельзя автоматически распространять на исследовательскую работу. Поэтому при изучении университетского документа сначала важно установить сферу его действия, а после этого сравнить исследовательские положения с аналогичными нормами другого вуза. Без такого разграничения различия в охвате документов легко ошибочно принять за расхождения в допустимости применения ИИ.
Как университеты ЕАЭС могут согласовать применение ИИ
Одним из практических шагов могла бы стать общая процедура проверки результатов, подготовленных с применением ИИ. Такая процедура может предусматривать сверку ссылок с первоисточниками, проверку расчётов и документирование исправлений. Чтобы согласовать этот порядок, университеты могли бы разработать образец проверочного листа, который адаптируется к разным дисциплинам, но сохраняет общие требования к проверке.
Защиту персональных и образовательных данных также необходимо согласовывать отдельно. Университеты могли бы установить, какую информацию разрешается передавать системе ИИ, а какую перед отправкой запроса нужно удалить, в том числе имена студентов и связанные с ними результаты обучения. При подготовке локальных документов эти положения необходимо соотнести с национальным законодательством.
Затем общую рамку можно приспособить к образовательным технологиям, которые использует каждый вуз. Для этого стоит описать порядок работы с ней в конкретной учебной среде, включая передачу данных, проверку ответа системы и сохранение итогов этой проверки. Университеты будут согласовывать саму процедуру, а программы и способы её практического применения смогут выбирать самостоятельно.
Отсутствие общих правил подрывает доверие к оцениванию и исследованиям
Разные требования к ИИ несут риск неравных условий для студентов и преподавателей. Если помощь, допустимая в одном университете, в другом считается нарушением, оценка зависит не только от качества работы, но и от местных ограничений. Для преподавателя это создаёт дополнительную сложность: принятое им решение снизить балл может вызвать споры за пределами его вуза. В итоге сопоставимость оценивания оказывается под вопросом.
При признании результатов обучения такие расхождения способны осложнить зачёт работы, которая была выполнена в другом университете ЕАЭС. Принимающий вуз вынужден самостоятельно определять, приемлемы ли условия её подготовки. Ещё один риск касается образовательных данных: само разрешение использовать ИИ не объясняет, какую информацию можно передавать сервису. Такая неопределённость увеличивает вероятность нарушений при обработке студенческих работ и сведений, связанных с обучением.
В исследовательской работе нечёткие границы ответственности способны затруднить разбор ошибок, найденных в публикации. Если участники совместного проекта по-разному представляют допустимую роль ИИ, спор может коснуться как авторства, так и обязанности исправить результат. Речь идёт о возможном последствии несогласованности, а не о неизбежном развитии событий. Но если ошибка уже обнаружена, неопределённость затрудняет установление того, кто отвечает за спорный фрагмент исследования и за его дальнейшее исправление.
Регулирование ИИ в высшем образовании будет сближаться поэтапно
Скорее всего, сближение начнётся с межуниверситетских договорённостей о минимальных требованиях к этике и работе с данными. Первым шагом могут стать правила передачи учебных и исследовательских материалов внешним ИИ-сервисам. Тогда согласование будет касаться допустимости определённого действия, а не попытки целиком урегулировать саму технологию.
На следующем этапе согласованные положения могли бы закрепить во внутренних документах университетов. Такой порядок позволил бы вузам учитывать национальную специфику, выбирая способы исполнения достигнутых договорённостей. При этом общий минимум разумно использовать как основу для последующего сближения, которая не исключает дополнительных требований со стороны отдельных университетов.
Для развития этой модели потребовался бы порядок пересмотра договорённостей, поскольку первое согласование ещё не устанавливает, как в дальнейшем вносить изменения. Университеты могли бы заблаговременно определить, кто вправе предлагать поправки и по какой процедуре принимается новая редакция документа. При таком сценарии межуниверситетское регулирование формировалось бы постепенно: сначала через согласование отдельных положений, а затем через их последовательное обновление.