1. Введение

Этот отчёт — призыв к действию.

В течение пяти месяцев интенсивных встреч, исследований и общения с сообществом MIT специальный комитет по использованию ИИ в преподавании, обучении и научной подготовке пытался понять роль генеративного ИИ в жизни и образовательной миссии Института и предложить пути преодоления связанных с ним вызовов и возможностей.

В январе 2026 года канцлер Мелисса Ноблс, проректор Ананта Чандракасан и председатель факультетского совета Роджер Леви поручили комитету1:

  • Оценить текущее использование ИИ в MIT.
  • Выявить инновации в преподавании и оценке студентов.
  • Предложить политику использования ИИ.

Однако то, что удалось узнать в ходе работы, быстро убедило группу: сообществу Института, и особенно преподавательскому составу, предстоит решить более глубокий набор вопросов о структуре, смысле и ценности образования в MIT в эпоху, когда ИИ — лишь один из факторов, усложняющих миссию Института.

В состав комитета вошли студенты бакалавриата и магистратуры, преподаватели всех школ, а также сотрудники профильных подразделений, включая библиотеки MIT и Лабораторию преподавания и обучения. Несмотря на широкий разброс опыта участников и отсутствие заранее заданного тезиса, короткое, но интенсивное исследование привело к устойчивому общему выводу.

В отчёте:

  • Отмечены ключевые аспекты текущего образовательного ландшафта в MIT.
  • Изложены восемь принципов, на которые опирался комитет и которые, как ожидается, будут направлять работу Института впредь.
  • Даны рекомендации по немедленным и долгосрочным действиям для преподавателей и администрации.

Как институт, тесно связанный с рождением ИИ и известный своим особенно строгим, практико-ориентированным образованием, готовящим выпускников, не боящихся самых сложных задач мира, MIT занимает уникальное положение в этот момент — и, как считает комитет, несёт ответственность за то, чтобы возглавить движение.

Отчёт призван помочь Институту опереться на дух девиза «Разум, Рука и Сердце», продолжая формировать и поддерживать образование высочайшего качества с проживанием в кампусе — образование людей, силами людей, во имя человеческого процветания и на благо человечества.

Эрик Клопфер, сопредседатель
Сэм Мэдден, сопредседатель

От имени комитета по использованию ИИ в преподавании, обучении и научной подготовке

1.1 Ландшафт

Рекомендации отчёта опираются на следующие наблюдения об образовательном ландшафте в MIT.

Генеративный ИИ уже повсюду, вызывая противоречивые реакции:

  • Студенты MIT используют ИИ часто и повсеместно — со смешанными чувствами: от любопытства, творческого вдохновения и благодарности до смирения, тревоги и беспокойства.
  • Отношение преподавателей варьируется от увлечённого изучения и растущей опоры на ИИ до скептицизма, подозрительности и полного «отказа от ИИ» — при этом широко распространено желание делиться опытом, идеями и приёмами.

ИИ позволяет преподавателям создавать новые увлекательные форматы обучения, а студентам — экспериментировать по-новому, но при этом заметен ряд тревожных эффектов для жизни кампуса. Есть признаки того, что ИИ:

  • Разрушает базовые элементы образовательного опыта MIT, особенно для бакалавров — от p-set, экзаменов на дом и UROP до офисных часов и учебных групп.
  • Усиливает изоляцию.
  • Подрывает уверенность студентов и владение материалом.
  • Разрушает «социальный контракт» между преподавателями и студентами.
  • Значительно усложняет оценку прогресса студентов.
  • Ставит под вопрос десятилетиями складывавшиеся нормы и ценности сообщества MIT — строгость, творческое трение, необходимое для обучения, совместное решение задач и личную честность.

ИИ порождает как стремительные немедленные изменения, так и долгосрочные тектонические сдвиги — и MIT должен реагировать:

  • Студенты растеряны и обеспокоены отсутствием ясности, последовательности и обоснования правил использования ИИ — как в рамках одного предмета, так и в учебном плане в целом.
  • Практически каждый предмет, преподаваемый в MIT, вероятно, потребует пересмотра и, возможно, серьёзной переработки, чтобы способ преподавания, содержание обучения и методы оценки стали «осознающими ИИ».
  • ИИ меняет то, что студентам нужно знать и уметь.
  • Помимо влияния на отдельные предметы и дисциплины, появление ИИ требует более широкой, целостной переоценки природы, масштаба и цели высшего образования сегодня.

Наконец, ИИ создаёт существенные практические проблемы для сообщества — от конфиденциальности данных до вопросов неравного доступа, предвзятости, справедливости и подотчётности. Стремительный рост и доминирование ИИ поднимают важные вопросы и для общества в целом — от экологического воздействия дата-центров ИИ до использования интеллектуальной собственности и обучающих данных и общего влияния технологии и индустрии на людей. MIT должен вовлекаться и в эти вопросы.

Другие образовательные учреждения сталкиваются со схожими вопросами вокруг ИИ и предлагают интересные идеи — но, судя по всему, никто пока не нашёл окончательного решения.

Три замечания об используемых терминах:

  • N.B. В этом отчёте «преподаватели» включают факультет и всех остальных, кто занимается преподаванием в MIT.
  • Большинство упоминаний «студентов» относится и к бакалаврам, и к магистрантам/аспирантам, за исключением немногих очевидных случаев — например, при упоминании общих институтских требований (GIR) или участников программы UROP.
  • Местоимения «мы», «нас» и «наш» иногда относятся к членам комитета, а иногда — ко всему MIT. Разница должна быть понятна из контекста.

2. Руководящие принципы

Комитет определил восемь принципов, на которые опирался и которые, как ожидается, будут направлять работу Института впредь.

2.1. Быть скромным

Некоторые технологические новшества внедряются постепенно: общество и технология эволюционируют совместно, и взаимная адаптация смягчает последствия. Компьютер — предшественник и ключевой фактор появления ИИ — вписывается именно в эту модель. Другие инновации приходят резче, становясь социально значимыми ещё до того, как люди и институты успевают адаптироваться.

Общество склонно отмечать «рождение» новой технологии моментом, когда она становится доступной для широкого использования. По этому критерию генеративный искусственный интеллект «родился» с выходом ChatGPT в конце 2022 года. То есть массовому взаимодействию с генеративным ИИ меньше четырёх лет. За это время он собрал более миллиарда пользователей, а компании, продающие технологии ИИ, стали доминировать в заголовках новостей, на фондовом рынке и в общественном сознании.

Иными словами, ИИ развивается почти во всех сферах в темпе, слишком сжатом для того, чтобы общество успело как следует отследить и проанализировать его влияние, а затем постепенно адаптироваться.

Отсюда первый руководящий принцип: предложения делаются со скромностью. Корректировки курса — возможно, даже серьёзные — неизбежны по мере дальнейшей эволюции технологии и накопления опыта Институтом.

2.2. Быть смелым

Однако неопределённость не может быть оправданием бездействия. Сейчас не время для заплаток и временных решений. Вызовы, которые ИИ создаёт в преподавании и обучении, требуют смелого стратегического ответа — повсюду, и особенно в MIT. Программа социальной и этической ответственности вычислений2 завершает седьмой год работы, что даёт Институту уникальную позицию для поиска способов применения новой технологии на благо общества и, в частности, студентов.

ИИ открывает и экстраординарные возможности — от беспрецедентных перспектив индивидуального наставничества до резкого ускорения и обновления исследований во многих дисциплинах. Использование этих возможностей тоже требует смелости.

Смелое мышление особенно важно потому, что студенты в ближайшее время будут формировать интеллектуальное, этическое и техническое направление развития общества. Институт обязан обеспечить им глубокое вовлечение в содержательное и конструктивное использование ИИ, а также разностороннее понимание его потенциала и недостатков. Опыт обучения в MIT должен вооружить их мудростью, необходимой для того, чтобы определять, как и где ИИ используется на благо общества и мира в целом.

2.3. Ставить человечность в центр

Столкнувшись с технологией, обладающей уже сейчас огромными возможностями — построенной на человеческих способностях, смоделированной по их образцу и во многом уже превосходящей их, — Институт должен видеть своей главной задачей и важнейшей целью заботу о совместной человечности и её защиту, а также ценить сообщество MIT, его членов и их процветание превыше всего.

На сессии обратной связи с преподавателями выяснилось, что некоторые рассматривают возможность использовать ИИ-агентов в качестве исследовательских ассистентов вместо найма бакалавров по программе UROP. Аргументы в пользу скорости и эффективного использования ресурсов (особенно сейчас, когда исследовательские ресурсы столь ограничены) понятны. Но если эти критерии станут доминировать в решениях, встаёт вопрос: «Ради чего мы вообще здесь собрались?»

Как сообществу, важно помнить: хотя исследования — центральная часть миссии MIT, они не самоцель. В кампусе исследование — это ещё и форма ученичества, способ подготовки следующего поколения исследователей, которые продолжат работу и будут двигать области знания вперёд. Использование исследования как возможности учиться на практике может создавать видимую «неэффективность», но это особенность, а не недостаток.

Фокус на человечности заставляет также обратить внимание на то, что распространённые сейчас способы борьбы с проблемами, которые создаёт ИИ, рискуют повредить отношения между преподавателями и студентами. Например, многие преподаватели рассказывали, что необходимость «полицейского» контроля за несанкционированным использованием ИИ вредит их связи со студентами (динамика усугубляется тем, что программы обнаружения ИИ, как выяснилось, довольно ненадёжны). Студенты, со своей стороны, опасаются несправедливого обвинения в списывании с помощью ИИ и всё больше раздражаются, когда преподаватели сами используют ИИ там, где требуется человеческое участие — при оценивании, составлении заданий и обратной связи. Такая подводная река взаимного недоверия — плохая основа для здоровой учебной среды.

2.4. Погружаться в обучение

Многие задачи и задания, используемые в MIT для закрепления знаний и оценки прогресса студентов, уже могут быть выполнены ИИ. Неограниченное использование ИИ студентами делает часть традиционных форм оценивания менее надёжными показателями индивидуального обучения, что потенциально подрывает доверие к оценкам и дипломам. Для преподавателей этот радикальный сдвиг норм и ожиданий может ощущаться крайне дезориентирующим.

Но как сообществу, больше всего стоит беспокоиться о том, что многие способы использования ИИ лишают студентов возможности учиться.

Угроза, которую ИИ представляет для привычных способов преподавания и проверки знаний, может оказаться скрытым благом — потому что изменения слишком резкие и серьёзные, чтобы их игнорировать. Как могут подтвердить преподаватели-члены комитета, как минимум два десятилетия педагоги сетуют на нагрузку на обучение из-за фрагментированного внимания, вездесущих гаджетов, узкой сосредоточенности на оценках вместо обучения и слабеющего ощущения того, что студенты и преподаватели объединены общим интеллектуальным проектом.

Как институт, гордящийся силой своего особого образовательного рецепта, MIT обязан воспользоваться моментом: сделать так, чтобы неизбежные изменения, вызванные ИИ, стали переломной точкой, вынуждающей решительно бороться с силами, разрушающими общую образовательную миссию.

Погружение в обучение означает создание нового «социального контракта» между преподавателями и студентами. Всем, кто преподаёт в MIT, нужно быть готовым помочь студентам понять: сам процесс образования — это неизбежно продуктивная борьба, а важнейший продукт образования — не средний балл и не диплом, а они сами: личностный рост, интеллектуальная зрелость, развитие собственного воображения, проницательности и суждения.

Прививание этих установок должно стать центральной задачей каждого преподавателя, чтобы студенты понимали не только что им следует изучать, но и как учиться и почему обучение важно. Нужно помочь им развить метакогнитивные способности — думать о мышлении, заниматься рефлексивной практикой и укреплять чувство личной субъектности. Это потребует и приверженности делу, и новой подготовки со стороны преподавателей.

2.5. Учить осознанно

Большинству курсов, преподаваемых в MIT, потребуется тщательный пересмотр, а во многих случаях — существенная адаптация, чтобы пережить встречу с ИИ без серьёзных потрясений. ИИ подрывает педагогические допущения, лежавшие в основе выбора содержания, методов преподавания и способов оценки успеваемости.

Коротко говоря, пришло время глубоко и всесторонне переосмыслить, чему и как учить. Будущая структура курсов, оценивания и правил должна строиться с высокой степенью осознанности и ясной целью, а не просто корректироваться в ответ на сиюминутные реалии ИИ. Впрочем, это не значит, что каждый курс должен меняться одинаково.

Проверенный временем метод «обратного дизайна»3 предлагает полезную рамку. Вместо того чтобы начинать с вопроса, разрешать или запрещать ИИ в конкретном предмете, преподаватель сначала определяет цель самого учебного опыта: что студенты должны узнать, уметь делать и научиться ценить. Затем задания и оценивание проектируются так, чтобы измерять и стимулировать эти результаты, используя ИИ там, где он полезен, и не используя там, где нет.

Время и усилия преподавателя, необходимые для пересмотра, переоценки или намеренного сохранения существующих структур, вероятно, будут значительными. Но сам процесс педагогической рефлексии и рассуждения ценен сам по себе. Осознанное преподавание способствует осознанному обучению: когда преподаватели ясно объясняют, почему ИИ разрешён, ограничен или обязателен, студентам легче понять, какое именно обучение защищается или развивается.

Таким образом, обратный дизайн способен помочь MIT сохранить цель своего образования, честно адаптируясь к реалиям ИИ. (Обнадёживает, что Лаборатория преподавания и обучения MIT хорошо подготовлена, чтобы помочь преподавателям освоить этот инструмент.)

2.6. Нет универсального решения

Ни один единый подход к ИИ в образовании не подойдёт MIT целиком. Семинар по поэзии, курс математических доказательств и архитектурная студия логически предполагают разные отношения с ИИ. В одних случаях использование ИИ для создания творческой работы или решения задачи сводит на нет смысл упражнения; в других владение ИИ уже часть профессиональной практики, и избегать его — значит обделить студентов.

Схожим образом первокурсник, только формирующий базовые навыки и суждение, находится в ином отношении к ИИ, чем аспирант, ускоряющий обзор литературы в области, которую он уже глубоко знает. Иными словами, единое правило на весь Институт неизбежно окажется слишком разрешительным для одних контекстов и слишком ограничительным для других.

Это не значит, что каждый преподаватель должен изобретать политику ИИ с нуля. MIT должен предоставить общую рамку — включая набор типовых политик, требования к раскрытию информации и стандарты подотчётности, — в пределах которой кафедры и преподаватели смогут делать собственный выбор. Кафедры — естественная единица для этой работы, поскольку студенты воспринимают специальность как связную последовательность и выиграют от последовательности в том, когда ИИ приветствуется, когда ограничен и почему.

2.7. Усиление, а не автоматизация

По мере роста возможностей технологий на основе ИИ будет возможно — и соблазнительно — перекладывать на них всё больше «мыслительных» задач; неудивительно, что студенты признавались: соблазн был сильнее всего, когда они боялись не успеть к дедлайну. Однако уже есть ранние сигналы того, что чрезмерная опора на чат-ботов способна вызывать целый ряд серьёзных негативных последствий — ослабление критического мышления, ухудшение памяти, снижение уверенности и подрыв владения материалом.

Получение правильного ответа от чат-бота может создавать иллюзию обучения — но способно и запускать «когнитивную капитуляцию»4, когда студенты обращаются к ИИ при первом же намёке на трудность. В недавней статье5 трое известных экономистов MIT — Дарон Асемоглу, Дэвид Отор и Саймон Джонсон — выступают за то, что называют «ИИ в интересах работника». Их аргумент: вместо разработки систем ИИ, замещающих работников, компаниям стоит создавать ИИ, который позволяет людям «эффективнее выполнять текущие задачи, браться за новые и приобретать новую экспертизу».

В том же духе применение ИИ в образовании MIT в целом должно быть «в интересах обучающегося» — не заменять «сложное удовольствие» мышления, обучения, творчества и решения задач, а расширять то, о чём студенты способны думать, что могут изучать и решать. Коротко: ИИ должен использоваться для усиления и обогащения любопытства, творчества и обучения, а не для их автоматизации.

Важно, что этот вопрос не только психологический, но и социальный. Подобно тому как автоматизация грозит потерей рабочих мест, деквалификацией и растущей изоляцией работников, опора на чат-ботов в образовании вытесняет связи между сверстниками — например, учебные группы — и сокращает взаимодействие студентов с преподавателями. Чтобы усиление действительно преобладало, его нужно рассматривать не как абстрактный «желаемый» идеал, а как конкретную практику, которую педагогика способна продвигать.

Это подводит к последнему принципу.

2.8. Мыслить за пределами аудитории и кампуса

ИИ должен интегрироваться в образование MIT так, чтобы усиливать, а не ослаблять способность студентов расти как целостных личностей. В книге «Культура образования»6 Джером Брунер, ведущий психолог образования и один из пионеров когнитивной науки, утверждал, что обучение — не просто техническая передача содержания от преподавателя к студенту, а процесс, через который студенты учатся интерпретировать мир, находить своё место в обществе и формировать чувство себя как способной личности.

Если обучение (ошибочно) понимается прежде всего как доставка контента, то высокоотзывчивые системы ИИ могут показаться способными полностью заменить преподавателей, наставников, сверстников, соавторов и межличностное измерение обучения. Но при всей распространённости такой взгляд недальновиден. Образование — культурная практика, через которую студенты учатся создавать смысл, применять суждение, формировать идентичность и ответственно участвовать в жизни сообщества.

Многое из того, что студенты получают в MIT, никогда не прописано в силлабусе или задании; это то, чему они учатся, живя и работая в кампусе в компании друг друга — негласные ожидания, привычки, отношения и ценности, формирующие то, как они учатся решать задачи, применять суждение, проявлять упорство в трудностях и становиться членами интеллектуального сообщества. «Образование с проживанием» сильно отчасти потому, что происходит повсюду: в общежитиях, жилых группах, спортивных командах, творческих коллективах, клубах и так далее.

Фундаментальная опасность, как уже отмечалось, в том, что ИИ позволяет студентам обходить обучение стороной. Не менее тревожно и то, что студенты могут усвоить транзакционную модель, в которой задания — это выходные данные, преподаватели — оценщики, сверстники — необязательны, а знание (или диплом MIT) — оптимизируемый товар, который нужно получить или произвести максимально эффективно.

Такая ментальная модель не останется в пределах аудитории. Она будет формировать то, как студенты понимают работу, сотрудничество и социальную ответственность, и этот образ мышления они унесут с собой в мир. Какими бы дружелюбными или отзывчивыми ни становились системы ИИ, они не могут заменить отношения и практики, необходимые для взросления и становления человеком.

Поэтому MIT должен относиться к ИИ не просто как к инструменту повышения эффективности образования, а как к силе, которую нужно направлять, чтобы она служила более широким целям образования. Студенты должны научиться использовать ИИ продуктивно и свободно, но так, чтобы это углубляло их способность полноценно участвовать в жизни аудиторий, лабораторий, рабочих мест, семей и сообществ.

Цель — не оградить студентов от ИИ и не сохранить старые формы образования ради них самих. Цель — обеспечить, чтобы использование ИИ поддерживало становление людей, способных мыслить критически, действовать инициативно, продуктивно работать с другими и понимать последствия своего выбора в мире, который они делят с девятью миллиардами других людей.

3. Рекомендации

В этом разделе изложены изменения, которые комитет считает необходимыми, чтобы MIT подготовил студентов к новому миру. Опираясь на давние ценности Института, рекомендации представляют собой не чек-лист отдельных инициатив, которые можно внедрять по одной, а набор содержательных изменений, которые должны проводиться совместно.

Серьёзные изменения требуют времени. Но с учётом того, что последствия уже затрагивают сообщество, необходимые изменения следует внедрять в двух временных масштабах: те, что происходят немедленно, и те, что начинаются немедленно, но требуют дальнейшего изучения и планирования.

Искусственный интеллект — в форме больших языковых моделей и других генеративных технологий — ставит перед MIT серьёзные вызовы и открывает интересные возможности.

Уже сейчас эти технологии способны давать убедительные решения и разумные ответы почти на любое письменное задание в бакалаврской программе, включая эссе, задачи по математике и естественным наукам, доказательства и задания по программированию.

Тревожные последствия

Поскольку многие студенты выбирают — или чувствуют давление в пользу выбора — обучение и решение задач с помощью ИИ, менее чем за три года эти технологии вызвали серьёзные сдвиги в культуре кампуса: снижение посещаемости офисных часов, сокращение участия в онлайн-обсуждениях и, по неформальным данным, уменьшение числа очных учебных групп в общежитиях, библиотеках и других учебных пространствах. Эти проблемы возникли внезапно и резко, создав явное ощущение срочности. Они совпали по времени с другими вызовами, стоящими перед высшим образованием в целом, а сам MIT рассматривает масштабные изменения учебного плана по итогам работы Целевой группы по бакалаврской академической программе (TFUAP).

Интересные возможности

При всей остроте этих вызовов, ИИ открывает и увлекательные возможности для обучения и творчества. Многие преподаватели рассказывали, что инструменты ИИ помогают им создавать индивидуализированные интерактивные учебные материалы, позволяющие студентам глубже исследовать содержание предмета, а преподавателям — создавать новые или заново адаптированные под каждого студента учебные форматы. При небольшой поддержке даже преподаватели, не владеющие разработкой ПО, могут настраивать ИИ-агентов под конкретный предмет или исследовательский проект. Студенты способны создавать крупные программные проекты в рамках ограниченных сроков курса — то, что раньше было немыслимо. Они также могут использовать ИИ для анализа данных, проведения исследований и создания инструментов, усиливающих их экспертизу, и заниматься проектами на благо себя и общества. Потенциал этих технологий для усиления работы во всём кампусе огромен.

Рекомендации ниже призваны помочь сообществу MIT преодолевать вызовы ИИ и использовать его возможности, отражая принципы из раздела 2. Так, скромность означает необходимость создать административные процессы для непрерывной оценки и пересмотра, а не полагать, что сегодняшнее изменение окажется достаточным и в будущем. Смелость требует не просто латать существующую систему, ограничивая или компенсируя влияние ИИ на студентов и системы, а перепроектировать учебный опыт, оценивание и учебные планы так, чтобы переопределить будущее образования. Постановка человечности в центр означает поиск таких способов использования ИИ, которые укрепляют, а не ослабляют ценность очного образования в MIT. Погружение в обучение означает осознанное преподавание, пересмотр того, чему нужно учить студентов, и согласование оценивания с желаемыми результатами — чтобы сохранить продуктивную борьбу, необходимую для обучения через практику. Отказ от универсального решения означает разработку адаптированных рамок вместо единых правил ИИ для всех студентов, преподавателей или кафедр. Усиление вместо автоматизации означает подготовку студентов к свободному использованию ИИ способами, сохраняющими субъектность, суждение, честность и человеческую связь. Мышление за пределами аудитории и кампуса требует предвидеть навыки, которые понадобятся студентам для успеха в работе и жизни — как членам сообщества, будущим лидерам и создателям следующего поколения технологий ИИ.

Три широкие области работы

Обстоятельства требуют существенной перестройки студенческого опыта. Жизнь студента MIT через 10–15 лет наверняка будет выглядеть иначе, но сообщество обязано обеспечить, чтобы она оставалась узнаваемой как опыт MIT. Как ни парадоксально, сохранение самого важного потребует целенаправленных изменений.

Рекомендации сгруппированы в три раздела, кратко изложенные ниже. В целом рекомендуется, чтобы совместными усилиями преподавателей и администрации MIT:

Адаптировал образовательные процессы к миру, осознающему ИИ (раздел 3.1)

  • В масштабе всего кампуса и как можно скорее пересмотрел, чему нужно учить студентов. Этот процесс, ведомый преподавателями и кафедрами, определит дизайн более социальных и опытных учебных активностей в связке с новыми заданиями и формами оценивания, дающими обратную связь по ключевым результатам обучения. Это также потребует изучения природы оценок и системы выставления баллов.
  • Облегчил этот процесс, предоставив преподавателям выделенные ресурсы (например, дополнительных ассистентов) и адаптировав физические пространства для экспериментов, построения сообщества и взаимодействия/оценивания без использования ИИ.
  • Создал в MIT «сообщества практики», позволяющие делиться сложностями и находками, а также инструментами и приёмами для улучшения преподавания и обучения.

Поставил в центр людей, сообщество и опыт проживания в кампусе (раздел 3.2)

  • Возродил и вернул опыт проживания в кампусе, основанный на общих переживаниях, прозрачности и фокусе на очных активностях.
  • Продуманно интегрировал грамотность в области ИИ и его ответственное, этичное использование как основу и сквозную линию студенческой работы, внимательно учитывая связь с конкретными дисциплинами. Это потребует технической компетентности, но главное — принятия человекоцентричного подхода к ИИ как инструменту усиления.

Выстроил процессы, команды и инструменты для непрерывной рефлексии, итераций и улучшения (раздел 3.3)

  • Учредил роли, процессы и постоянные комитеты для решения этих задач.
  • Собирал обратную связь и данные, следил за исследованиями и лучшими практиками, поддерживал связь с коллегами из других вузов и учился на их опыте.
  • Обеспечил техническую и образовательную поддержку для всего вышеперечисленного.

Кроме того, комитет выделяет ряд проблем, связанных с более широким влиянием ИИ на общество, рынок труда, окружающую среду и другие сферы, которые также затрагивают политику ИИ в кампусе.

3.1. Адаптация образовательных процессов к миру, осознающему ИИ

Генеративный ИИ влияет на то, что студентам нужно знать и уметь делать (результаты обучения), на то, как они достигают этих результатов, и на то, как оценивается усвоенное.

Поскольку ИИ способен грамотно выполнять задания уровня MIT, оценивать прогресс студентов по внеаудиторной работе становится сложно, и преподаватели остро ощущают потребность в новых стратегиях оценивания.

При этом комитет призывает преподавателей не ограничиваться попытками просто «защитить курс от ИИ». В частности, то, как ИИ меняет социальные аспекты обучения — например, взаимодействие студентов с ассистентами, посещение офисных часов и учебных групп, — представляет собой ещё более глубокий вызов.

3.1.1. Пересмотреть цели курсов

Прежде чем думать о том, как построить оценивание, осознающее ИИ, преподавателям стоит заново обдумать цели обучения студентов7 по каждому преподаваемому предмету. Что студенты должны знать или уметь к концу курса?

Цели обучения по конкретному предмету могут меняться или не меняться из-за доступности ИИ, но они должны быть «осознающими ИИ» — то есть учитывать, что ИИ существует в мире, что преподаватель может разрешать или предписывать его структурированное использование в аудитории и вне её, и что студенты могут пытаться использовать его и без разрешения.

Главная озабоченность многих преподавателей: когда ИИ позволяет переложить когнитивную работу обучения на себя, как оценить, что студенты действительно знают и понимают?

В эпоху ИИ некоторые традиционные цели обучения стоит переосмыслить: например, нужно ли большинству студентов уметь писать сложные программы вручную? Отдельным преподавателям и кафедрам предстоит оценить, остаются ли давние цели значимыми, и если да — разработать устойчивые к ИИ способы их оценки.

Цели обучения, связанные с лабораторной, проектной или перформативной работой, вероятно, потребуют меньшей корректировки, но генеративный ИИ может дать новые способы помочь студентам рефлексировать, практиковаться или готовиться к выступлению. Например, один преподаватель рассказал, что для студентов, обучающихся медиации, персонализированные ИИ-коучи для курса устранили неловкость от публичных выступлений перед другими, что заметно повысило готовность практиковаться и, соответственно, уровень навыков.

ИИ также может позволить преподавателям формулировать цели обучения, ранее невозможные, — например, понимание или работу по-новому с очень сложными текстами, инженерными артефактами или крупными программными системами.

3.1.2. Обеспечить устойчивое обучение через новые правила курсов, структуры и формы оценивания

Учебный план MIT славится своей требовательностью. Вдобавок многие студенты перегружают расписание большим количеством зачётных единиц и внеучебной активностью. Эти конкурирующие требования ко времени подталкивают студентов ставить эффективность во главу угла — а нет ничего эффективнее, чем автоматизировать работу с помощью ИИ. Но, поддавшись этому соблазну, студенты лишают себя когнитивного трения и продуктивной борьбы, необходимых для настоящего обучения.

ИИ одновременно создал и обнажил несоответствие между устоявшимися целями обучения и привычными формами оценивания. В MIT долго использовались задачники (p-set), развёрнутые письменные задания, экзамены на дом и внеаудиторные проекты, позволяющие закрепить знания через практику и продемонстрировать усвоенное. ИИ лишает эти инструменты ценности и для преподавания, и для оценивания.

Преподаватели уже это чувствуют: перед лицом ИИ приходится менять подходы к оцениванию. Многие уже увеличивают вес экзаменов в итоговой оценке или просят студентов писать код и тексты прямо на занятии. Однако у таких тактических решений есть цена: чрезмерный акцент на аудиторном оценивании снижает стимул вкладываться в трудоёмкие p-set и проекты, которые строят лестницу к мастерству. По определению, перенос оценивания в ограниченные по времени рамки занятия ограничивает и глубину размышления студентов. Если важно, чтобы студенты ценили и умели создавать и распознавать достойную работу — масштабную, строгую, творческую и вдумчивую, — быстрые оценивания с высокими ставками транслируют прямо противоположный сигнал.

Вместо того чтобы просто «защищать от ИИ» текущие методы оценивания, преподавателям нужно заново продумать, что именно они хотят видеть от студентов, и разработать формы оценивания, которые способствуют — или даже включают — продуктивную борьбу, формирующую устойчивое понимание и мастерство.

Комитет призывает преподавателей рассмотреть формы оценивания, менее уязвимые для ИИ и более ценные для обучения — устные экзамены, семестровые портфолио, внеаудиторные задания в паре с очным обсуждением. Это, вероятно, означает, что ресурсы вроде ассистентов и аудиторного времени станут центральными для оценивания.

Как описано в разделе 3.3, комитет также надеется, что Институт создаст удобные способы делиться новыми идеями и лучшими практиками оценивания по мере их появления.

3.1.3. Сделать акцент на опытном и проектном обучении

Чтобы поддержать переход к формам оценивания, менее уязвимым для ИИ, преподавателям нужно усилить роль опытного и проектного обучения. Для стимулирования такого творческого преподавания MIT должен поддерживать развитие педагогических навыков и практик у всех преподавателей и признавать вклад в этой области.

По иронии судьбы сам ИИ в некоторых случаях открывает двери к опытному обучению. Поскольку ИИ отлично справляется с программированием и некоторыми видами дизайна, преподаватели теперь могут ставить значительно более амбициозные проекты. Например, в выпускном курсе программной инженерии MIT проекты, которые студенты реально могли выполнить за семестр, раньше приходилось ограничивать по масштабу и нереалистично упрощать; сегодня вполне разумно ожидать, что студенты с помощью инструментов ИИ создадут за один семестр программные артефакты, близкие к продакшн-качеству. Это, в свою очередь, освобождает место для более глубокого опытного обучения: студенты могут исследовать, как разные решения работают в реальном мире, разбирать случаи, когда одни решения превосходят другие, и изучать, как построенные ими системы ведут себя в реалистичных условиях.

Возможности выходят далеко за пределы информатики: студенты-архитекторы используют ИИ для экспериментов с новыми способами визуализации и быстрого тестирования идей — за гранью возможностей традиционных изобразительных навыков. Это расширяет диапазон творческих проектов, за которые они могут браться (хотя тем важнее становится развитие фундаментальных концептуальных и технических навыков, суждения и социального мышления, чтобы студенты оставались хозяевами собственных идей).

В недавнем интервью The Wall Street Journal экономист Гарвардского университета Рафаэлла Садун отметила, что в эпоху ИИ преуспеют работники, «способные творчески мыслить о том, как ИИ может создавать ценность, быстро превращать идеи в действия и готовые пересматривать свою интуицию через эксперимент и проверку. В такой среде процветают мастера на все руки и практики» — очевидное совпадение с практико-ориентированным духом MIT и его фокусом на пользе для общества. По мере того как ИИ позволяет студентам браться за более сложные и амбициозные задачи, один из способов оправдать девиз Mens et Manus — расширять масштаб и практическое применение назначаемых проектов и начинаний.

Поиск новых возможностей для совместных аудиторных проектов открывает значительные перспективы роста, выходящие за рамки освоения конкретного материала. При правильной структуре и поддержке такие проекты укрепляют навыки сотрудничества, коммуникации, решения проблем и эмоционального интеллекта. Эти устойчивые человеческие навыки остаются среди самых ценимых работодателями. Стоит предоставлять студентам больше возможностей их развивать.

ИИ также способен обогащать этот опыт, предлагая студентам новые способы анализа данных, проведения исследований и создания инструментов, усиливающих их экспертизу и позволяющих заниматься проектами на благо себя и общества. Потенциал этой технологии для усиления работы во всём кампусе огромен.

3.1.4. Встроить структурированное очное социальное обучение в предметы

Поскольку инструменты ИИ разрушают давние паттерны социального обучения в MIT, каждый предмет должен включать регулярный очный социальный компонент (а не только сидение на лекции или семинаре с молчаливым конспектированием). Преподавателям стоит намеренно выстраивать такие взаимодействия для достижения нужных образовательных целей и поддержания качества даже в больших группах.

Примеры структурированного социального обучения:

  • Групповые проекты с еженедельными проверками у преподавателя и результатами, оценивающими индивидуальный и коллективный вклад.
  • Групповые сессии решения задач под руководством лаборанта или ассистента.
  • Обсуждения обратной связи, структурированные вокруг рубрики курса.
  • Аудиторные дискуссии под руководством подготовленного ассистента или преподавателя, где оценивается индивидуальное участие.

Чтобы получить максимум пользы от таких очных взаимодействий, преподавателям стоит в первый день занятий чётко объяснить, почему они важны для индивидуального обучения и построения сообщества. Курсы с обширными групповыми проектами должны предлагать практические рекомендации и структуры для успешной совместной работы.

Хотя присутствие ИИ разрушает социальное обучение в кампусе, инструменты ИИ также могут приносить реальную пользу — своевременную помощь, индивидуализированную обратную связь, доступность и поддержку студентам, которые иначе застряли бы, а также помощь группам в координации работы «в моменте».

К сожалению, эти преимущества становятся контрпродуктивными, если позволяют студентам обходить стороной те человеческие ситуации, в которых они учатся работать с другими, доносить свои идеи, конструктивно принимать критику, обретать уверенность, развивать суждение и вести себя как члены сообщества.

Поэтому MIT должен рассматривать ИИ не только как педагогический или технический вызов, но и как проверку того, можно ли обновить образование с проживанием вокруг человеческого присутствия, совместной работы и содержательного наставничества.

3.1.5. Сохранить и расширить внеаудиторные исследовательские и карьерные возможности

С запуском в 1969 году программа исследовательских возможностей для бакалавров MIT8 (UROP) стала прорывом, создав систематический способ дать бакалаврам практический опыт передового исследования под руководством факультета. Сегодня UROP — визитная карточка опыта MIT, напрямую вовлекающая 93% бакалавров и 58% преподавателей.

UROP и другие внеаудиторные исследовательские и учебные форматы дают студентам очевидную практическую пользу — зачётные единицы и оплачиваемую работу. Но более широкие выгоды — личностное развитие, связи с наставниками и сверстниками, исследование карьерных путей — ещё важнее. UROP красноречиво доказывает смысл и ценность образования с проживанием в кампусе.

MIT должен сохранить, обновить и в идеале расширить приверженность UROP и другим форматам обучения, делающим акцент на наставничестве, сотрудничестве и обучении через практику; найти способы сделать их доступнее; и рассмотреть возможность распространения за пределы лаборатории.

Институту также стоит изучить смежные инициативы для повышения ценности опыта проживания в кампусе — например, создание программ кооперативного обучения9 (которые Институт уже активно рассматривает), позволение UROP-подобному опыту засчитываться в счёт требований для получения степени или расширение промышленных/кооперативных программ аспирантских исследований. Сюда стоит включить работу с уже существующими в кампусе организациями, поддерживающими такой опыт, включая PKG Public Service Center и MISTI.

UROP, должности исследовательских ассистентов (RA) и другие формы участия студентов открывают вход в новые интеллектуальные сообщества: присоединение к лаборатории, обучение у аспирантов и постдоков, сотрудничество со сверстниками на разных этапах карьеры, представление работы на групповых встречах, вклад в статьи, поездки на конференции — и постепенное осознание себя членом определённой области. Студенты усваивают не только методы и технические компетенции, но и то, как формулируются исследовательские вопросы, как развивается суждение, как конструктивно интерпретируются ошибки, как распределяется заслуга, как разрешаются разногласия и как коллективно производится знание.

Отдельное замечание об UROP: хотя бакалавры дают факультету полезную исследовательскую рабочую силу, не в этом смысл программы. Она существует ради образования. Поэтому вероятность того, что преподавателям окажется выгоднее заменить начинающих исследователей ИИ-агентами, заслуживает особого внимания.

По мере того как системы ИИ становятся более дешёвой или эффективной заменой UROP или RA, студенты рискуют потерять доступ к отношениям, практикам и общим формам работы, через которые формируются принадлежность, уверенность, суждение и профессиональная идентичность. Опасность не только в том, что у студентов будет меньше возможностей проводить исследования, но и в том, что у них будет меньше возможностей стать участниками исследовательских сообществ.

3.1.6. Пересмотреть оценки и стимулы

Несколько родственных вузов недавно ввели ограничения на количество высших оценок, которые преподаватель может выставить по предмету. Комитет не поддерживает такое «нормирование» оценок — отчасти потому, что ожидает от него обратного эффекта в решении проблем ИИ. В условиях острого общественного фокуса на дипломах и оценках студенты, нацеленные на максимизацию среднего балла, получают сильный стимул использовать любые средства, которые считают наиболее эффективными для достижения цели. Нормирование высших оценок лишь усилит соблазн срезать углы в обучении за счёт большей опоры на ИИ.

Пока преподаватели ищут новые формы оценивания и опытного обучения, MIT стоит воспользоваться моментом, чтобы пересмотреть роль оценок во всей системе и понять, можно ли улучшить нынешний подход. Например, если преподаватели в основном реагируют, увеличивая вес аудиторных экзаменов, есть риск сузить то, что диплом MIT долго обозначал: способность студентов к сложному, самостоятельному, требующему глубокого мышления решению задач, а не просто умение сдавать экзамены на бумаге.

Комитет призывает MIT изучить альтернативные системы оценивания, включая практики других стран (например, британскую систему, где проценты выражают уровень мастерства относительно экспертного стандарта), а также более новые парадигмы вроде оценивания на основе компетенций и мастерства. В качестве мысленного эксперимента комитет обсудил идею: если бы у MIT не было оценок, многие стимулы к списыванию с помощью ИИ исчезли бы. Стоит отметить, что MIT уже отказывается от распространённой практики присуждения дипломов с отличием summa/magna/cum laude, полагая, что получение диплома MIT само по себе является достаточным отличием.

Оценки далеко не единственный способ для студентов продемонстрировать мастерство или оценить собственный прогресс: обратная связь в реальном времени на устном экзамене или презентации, письменные комментарии по проекту, вероятно, дают студентам более полезную информацию о владении материалом, чем любая оценка.

С усилением фокуса на проектах и опытном обучении преподавателям стоит задуматься, всегда ли оценки — единственный или лучший механизм для демонстрации мастерства. Альтернативы включают повышение статуса портфолио проектов как витрины достижений студента в любой области. Уже сейчас многие работодатели меньше сосредоточены на оценках кандидатов, чем на их результатах во внутренних оценочных процедурах — способности отвечать на сложные вопросы на собеседовании или демонстрировать решение задач и мастерство через специальные упражнения.

3.1.7. Расширить очные пространства для лабораторных работ и очного оценивания

Рекомендации комитета во многих отношениях призывают к большему числу очных активностей — от практического обучения и совместных лабораторных проектов до очного оценивания. Всё это требует физического пространства.

Несколько преподавателей выразили желание иметь пространства для совместной работы, где студенты могли бы выполнять развёрнутые задания или экзамены. Это могут быть полностью аналоговые пространства или пространства с компьютерами без доступа к ИИ (или с ограниченным доступом). Во многих кафедрах есть лабораторные пространства, пригодные для совместных активностей, но не хватает ресурсов, чтобы укомплектовать их персоналом на постоянной основе. (В областях, использующих дорогое и потенциально опасное оборудование и материалы, самообслуживаемые лаборатории часто невозможны.)

Пространства для совместной практической работы полезны для преподавания, обучения и построения сообщества во всех дисциплинах, а не только в традиционных лабораторных науках. MIT стоит инвестировать в создание и укомплектование таких пространств.

3.1.8. Обеспечить обоснованные политики использования ИИ

Студенты сообщают, что рекомендации по ИИ от преподавателей часто сбивают с толку и неясны. Более того, правила и способ их изложения сильно различаются от преподавателя к преподавателю.

Хотя комитет не рекомендует вводить единую политику ИИ для всех, студенты остро нуждаются в ясности: в рамках конкретного курса им важно чётко понимать, когда, где и почему ИИ запрещён, разрешён или обязателен.

Поэтому преподавателям, а возможно, и кафедрам, стоит обеспечить, чтобы у каждого предмета в MIT была чёткая политика использования генеративного ИИ, размещённая на видном месте в силлабусе и на сайте курса.

Чтобы это было выполнимо, MIT как можно скорее должен разработать ясный и последовательный набор типовых рекомендаций, из которых преподаватели и кафедры смогут выбирать и адаптировать под себя. Кафедрам, вероятно, стоит согласовывать подход, чтобы правила и их обоснование были понятны и в целом последовательны в рамках одной специальности.

Комитет призывает преподавателей использовать стандартизированный формат для изложения этой информации, чтобы студенты легко понимали, что разрешено, а что нет, от курса к курсу. Приложение B ниже приводит пример такой политики.

Политики ИИ должны включать обоснование. Хотя во многих курсах уже есть политика использования ИИ, рекомендуется, чтобы все преподаватели убедились: их политика содержит ясное обоснование, привязанное к целям обучения конкретного курса, — почему ИИ должен, может или не может использоваться.

Например, если преподаватель хочет запретить использование генеративного ИИ, вместо простого заявления, что использование ИИ — это форма списывания, эффективнее объяснить, как генеративный ИИ сокращает путь к освоению фундаментальных основ курса или практике решения задач, с которыми студенты столкнутся на экзаменах, в будущих курсах и в реальном мире. Такой подход с большей вероятностью формирует самосознание и здоровую культуру вокруг использования ИИ.

Аналогично, преподаватели, желающие поощрять использование ИИ в конкретном задании, должны ясно объяснять, почему это важно для образовательного опыта. Для заданий с использованием ИИ преподаватели могут включить упражнения, в которых студенты рефлексируют о том, когда и как ИИ помогает или вредит их обучению, мышлению и настрою, и как он меняет или расширяет создаваемую ими работу.

Наконец, разрешая или поощряя использование ИИ, преподавателям стоит убедиться, что студенты понимают: языковые модели могут выдумывать факты и ссылки, инструменты генерации кода — производить некорректный или небезопасный код, а инструменты генерации изображений — предвзятые, оскорбительные или иначе неуместные результаты.

ИИ — лишь инструмент, и студенты несут ответственность за всю сдаваемую работу, включая любой неточный, предвзятый, оскорбительный или неэтичный контент, созданный с помощью генеративного ИИ.

3.1.9. Соблюдать осторожность с детекторами ИИ и платформами онлайн-экзаменов

Многие инструменты заявляют о способности обнаруживать использование ИИ, и некоторые из них достаточно точны при работе с чисто ИИ-сгенерированным текстом. Однако большинство реальных ситуаций гораздо тоньше: если студент использует ИИ для составления плана или редактирования раздела, такие инструменты вряд ли это обнаружат.

Инструменты, несомненно, будут совершенствоваться. Тем не менее комитет не рекомендует полагаться на детекторы ИИ, поскольку это рискует запустить гонку вооружений, в которой студенты отвечают на автоматическое обнаружение всё более мощными «гуманизаторами ИИ», удаляющими признаки, на которые настроены детекторы. Итог: много усилий с обеих сторон, которые в конечном счёте никому не служат.

Системы обнаружения ИИ также могут принимать письмо студентов, для которых английский не родной, или нейроотличных студентов за текст, сгенерированный ИИ. Даже низкий уровень ложных срабатываний может держать студентов в напряжении и приводить к серьёзным индивидуальным последствиям. В целом усиление «полицейского контроля» вокруг использования ИИ создаёт атмосферу враждебности и недоверия между преподавателями и студентами, что закономерно вредит мотивации и моральному духу студентов.

Некоторые преподаватели спрашивали, предоставит ли MIT так называемые «lockdown»-браузеры для проведения оценивания студентов. Это онлайн-среды тестирования, которые берут компьютер под полный контроль во время экзамена, блокируя доступ к любым онлайн-ресурсам вне тех, что предусмотрены самим тестом. Комитет рекомендует MIT изучить такие инструменты, но отмечает, что нынешнее поколение подобных решений глючное, подвержено ошибкам и ощущается как слежка. По крайней мере сейчас очные экзамены под наблюдением — нынешняя норма в MIT — в большинстве случаев остаются лучшим выбором, хотя для них потребуются подходящие очные пространства.

Альтернативы этим жёстким технологическим решениям с большей вероятностью укрепят доверие и поддержат обучение студентов. Варианты включают работу над письменными текстами от руки на занятии для ранних набросков идей, установление регулярных дедлайнов или встреч для демонстрации прогресса проекта, предотвращение накопления огромного объёма работы к финальному дедлайну и предоставление преподавателям возможности давать обратную связь на разных этапах, а не только по итоговому продукту.

Полезными могут быть и другие технические инструменты. Например, преподаватели могут требовать от студентов выполнять работу на платформах, фиксирующих историю версий, и сдавать эту историю вместе с работой. Это даёт полезное доказательство процесса — например, если студент сдаёт задание за несколько минут, хотя сопоставимая работа обычно занимает часы. Сами студенты также часто находят такие инструменты полезными для рефлексии о том, как развивались их идеи.

Подготовка дисциплинарной системы

Хотя есть надежда, что студенты будут следовать политикам ИИ ради собственной выгоды, MIT нужно лучше подготовиться к серьёзным нарушениям. Существующая система академической честности MIT и процессы Комитета по дисциплине (COD), которые её обеспечивают, строились на модели авторства, где сданная работа была либо собственной, либо чужой. Генеративный ИИ разрушает этот простой бинарный выбор. Студент, использующий ИИ-инструмент для мозгового штурма подхода, отладки функции, доработки абзаца или создания целого черновика, не «копирует» в традиционном смысле, и преподаватели на сессиях обратной связи неизменно сообщали о неуверенности в том, где теперь проходит граница — как при формулировании собственных политик курса, так и при решении, какие случаи направлять в COD.

MIT нужно обеспечить, чтобы институтские политики уточняли, какие доказательства требуются для возбуждения дела о нарушении академической честности с участием ИИ; сам COD не считает вывод детектора ИИ сам по себе достаточным.

Студенты не должны чувствовать себя под надзором. Устойчивое изменение потребует от преподавателей максимальной ясности в отношении ожиданий, а от студентов — понимания злоупотребления ИИ как неприемлемого отклонения от общих норм сообщества и его ценностей, а не как нарушения произвольного бюрократического правила.

3.1.10. Поддерживать ответственное экспериментирование в учебном плане

Остаётся много неизвестного о том, как лучше интегрировать ИИ в учебный план и как проектировать учебный опыт, избегая его подводных камней. Преподавателям и кафедрам стоит вести скоординированное экспериментирование по обоим направлениям. Возможно, имеет смысл предлагать варианты — например, разрабатывать строгие курсы или траектории «с минимумом ИИ» и «с интенсивным ИИ».

Некоторые студенты и преподаватели предпочитают не использовать ИИ (по разным причинам). Преподавателям стоит серьёзно относиться к такому нежеланию студентов и, там где предмет позволяет, предлагать траекторию с минимальным использованием ИИ.

Создание учебного опыта, отвечающего ясным, но, возможно, эволюционирующим целям обучения, с интеграцией ИИ там, где это применимо, и постоянным признанием его присутствия — при сохранении высоких стандартов — не достигается поверхностной подстройкой. Для этого потребуется смелое, творческое экспериментирование и оценка в масштабе всей системы. Работа комитета демонстрирует общую готовность студентов, преподавателей и сотрудников из всех уголков Института творчески решать этот эпохальный вызов вместе.

Комитет услышал от многих преподавателей, что административный процесс внесения даже небольших изменений в требования учебного плана занимает много времени и обременителен, что затрудняет для MIT реакцию — не говоря уже об опережающем предвидении — на быстрые и далеко идущие потрясения.

MIT стоит пересмотреть процессы управления, чтобы способствовать более быстрому исследованию учебных планов в сочетании, разумеется, с тщательной оценкой результатов. Кафедрам нужны полномочия регулярно исследовать замены и изменения учебного плана, осознающие ИИ, без фиксированных многокомитетных годовых процессов рассмотрения — иначе Институт рискует отстать. В то же время, конечно, важно сохранять ту долгосрочную согласованность учебного плана, которая всегда была визитной карточкой образования в MIT (см. §3.3 ниже).

3.2. Постановка людей, сообщества и опыта проживания в центр

ИИ разрушает социальную ткань кампуса — и более широкого мира. Реакция отторжения ИИ на выпускных речах летом 2026 года — лишь одно из проявлений недовольства, которое многие испытывают к самому ИИ и к роли, которую крупные технологические компании теперь играют в обществе.

Образование в MIT всегда означало вызов со стороны глубокого интеллектуального сообщества, ценящего творчество и строгость. Важно сохранить преобразующую силу этого опыта для студентов.

ИИ появился в момент, когда социальные основы жизни кампуса уже испытывают напряжение. По всему высшему образованию студенты сообщают10 о высоком уровне тревожности, депрессии, одиночества и разобщённости. Доверие к институтам ослабло, политическая поляризация сделала кампусы более уязвимыми, а восстановление очных сообществ после пандемии остаётся неполным. Таким образом, ИИ приходит не в социально нейтральную среду. Он создаёт новое давление на сообщество, которое всё ещё восстанавливает базовые привычки и установки, на которых держится образование с проживанием: являться лично, строить доверие, с энтузиазмом включаться в общие усилия и жить с лёгким чувством взаимных обязательств. ИИ может ускорить это разрушение. А может стать импульсом к целенаправленному восстановлению.

Задача MIT, таким образом, не в том, чтобы сохранить существующие практики неизменными, и не в том, чтобы отвергнуть инструменты ИИ, способные поддержать обучение и исследования. Она в том, чтобы решительно обеспечить, чтобы ИИ усиливал человеческие сообщества, через которые происходит образование, а не тихо замещал их — чтобы машины служили людям, а не наоборот.

MIT стоит воспользоваться этим моментом, чтобы спросить, какие формы присутствия, сотрудничества, наставничества и общей интеллектуальной жизни необходимы для образования с проживанием — а затем спроектировать политики ИИ, педагогику и исследовательские практики, которые их укрепляют, а не позволяют им разрушаться, замещаться или рушиться.

3.2.1. Определить и донести ценность образования с проживанием

Как институт с проживанием, MIT должен ясно определить ценность того, чтобы приводить студентов в кампус и вовлекать их в живое обсуждение, диалог и решение задач лицом к лицу. Никто из читающих этот отчёт не получил образование без этих базовых человеческих взаимодействий. Но нельзя воспринимать как данность, что новые студенты будут ценить их сами по себе.

В этом суть MIT: в духе «Разума и Руки» люди совместно работают над реальными проектами, требующими глубокого мышления и кропотливой, строгой работы.

Очевидно, что бездумное, «оппортунистическое» использование инструментов ИИ для выполнения заданий уменьшает то, чему учатся студенты, и вредит учебным сообществам, к которым они принадлежат. Обучение работает, когда оно одновременно и сложное, и социальное; знание строится через когнитивное трение — будь то разбор шагов математического доказательства в учебной группе, многократная корректировка эксперимента, пока он не заработает, или горячий спор со сверстником (вместо получения «того самого» ответа от ИИ). Именно поэтому студентам важно приходить в университет!

Студентам нужно верить, что самостоятельное выполнение работы отвечает их собственным интересам. Одних лишь директивных политик использования ИИ сверху для этого недостаточно. Сообществу нужно культивировать культуру кампуса, в которой (1) ограничения на ИИ, вводимые преподавателями, явно поддерживают обучение студентов, личностный рост и профессиональный успех; и (2) у студентов есть общая культура, которая ценит и поощряет обучение с проживанием и не поощряет чрезмерную опору на ИИ.

Официальная миссия11 и ценности12 MIT объединяют всех. Но повседневные решения, осознанные и неосознанные, во многом формируются негласными нормами и ценностями ближайших сообществ — курсов, учебных групп, кафедр, лабораторий, офисов, команд, клубов, жилых групп и так далее.

Для студентов именно эти очные сообщества создают формальные и неформальные социальные отношения, позволяющие расти, процветать и готовиться к жизни после MIT.

Работодатели ценят выпускников MIT за отличные навыки решения задач и технические компетенции. Но всё чаще им нужны также люди с навыками человеческого общения. Подталкивая студентов обращаться к ИИ вместо сокурсников, ассистентов или преподавателей, эти технологии создают иллюзию, что человеческое взаимодействие не имеет значения. Но обучение вместе с другими людьми и у них одновременно поддерживает усвоение знаний и строит человеческие навыки, на которых держится мир.

3.2.2. Укрепить социальные связи и личное благополучие

ИИ угрожает общей социальной ткани MIT и создаёт новые риски для благополучия студентов. MIT нужно инвестировать в создание общих норм, установление новых ритуалов сообщества и решение новых академических, социальных и эмоциональных проблем, порождённых (или усугублённых) ИИ.

Хотя основные рекомендации касаются политик для аудитории и обучения ИИ, Институту стоит предпринять и множество других шагов для построения того сообщества, которое ИИ не сможет заменить. (Недавний отчёт Целевой группы MIT по бакалаврской академической программе13 содержит схожие рекомендации.)

Раньше технические общие институтские требования (GIR) давали первокурсникам не только общую академическую базу и набор навыков решения задач, но и мощный опыт сплочения вокруг общего ядра. Но это ядро распадается: студенты спешат брать профильные курсы уже на первом курсе, откладывая часть GIR на весну выпускного года. Другие общие ритуалы студентов — уик-энд предварительного знакомства с кампусом, ориентация, посвящение, «латунная крыса» и выпускной — широко разнесены по времени. Вне исследовательских групп или лабораторий у аспирантов и магистрантов ещё меньше общих ритмов и ритуалов.

По неформальным наблюдениям, быстрое внедрение ИИ, похоже, уже влияет на благополучие студентов и создаёт новые долгосрочные проблемы. Некоторые студенты становятся зависимыми от ИИ в учёбе или эмоциональной поддержке; теряют чувство субъектности, цели и уверенности; беспокоятся о карьерных перспективах в мире, насыщенном ИИ. Преподавателям и другому академическому персоналу стоит быть готовыми распознавать связанные с ИИ академические, социальные и эмоциональные проблемы и направлять студентов к соответствующей поддержке.

Также нужно вовлечь гораздо больше людей в кампусе в разговор об общих нормах и о том, почему важно сообщество. Один из вариантов — серия панельных дискуссий, объединяющих студентов, представителей индустрии, преподавателей и сотрудников, где они рассказывают, откуда они и что любят: не только чем занимаются, но и как справлялись с препятствиями и делали трудный выбор в жизни и карьере. Другие идеи включают общекампусные праздники человеческих навыков и достижений, «время без техники» (периоды, когда MIT не назначает занятия, офисные часы или встречи, вместо этого поддерживая активности, ориентированные на живое общение), и расширение программы MIT Reads14, возможно, на уровне кафедр или общежитий, чтобы вовлечь больше людей в коллективное чтение, рефлексию и обсуждение.

3.2.3. Поощрять раскрытие преподавателями собственного использования ИИ

Так же как MIT нужны нормы вокруг использования ИИ студентами, сообществу нужны согласованные и соблюдаемые нормы уместного использования ИИ преподавателями. Если преподаватели планируют представлять студентам контент, в значительной степени созданный ИИ, или использовать ИИ для какого-либо аспекта оценивания, выставления оценок или обратной связи, настоятельно рекомендуется быть прозрачными со студентами в том, как и почему используется ИИ.

Хотя ИИ может быть замечательно полезным инструментом, помогающим преподавателям улучшать конспекты лекций, генерировать слайды и создавать анимации или симуляции, студенты ясно дали понять: чрезмерное его использование в аудитории может создать у них ощущение, что преподавание не приоритет для их преподавателей. Частый рефрен: «Зачем мне вообще приходить на занятие или делать работу, если преподаватель просто прочитает лекцию, сгенерированную ИИ?» В опросе большинство студентов сообщили изданию The Tech, что им неудобна сама идея ИИ-ассистентов преподавателя.

Сессии обратной связи подтвердили, насколько внимательно студенты следят за поведением преподавателей: они замечают, когда преподаватели явно используют ИИ для слайдов, обратной связи или выставления оценок, одновременно ограничивая использование ИИ студентами, и воспринимают это как двойной стандарт. Это указывает не только на риск, но и на возможность: моделируя ответственное использование ИИ, преподаватели способны укрепить новый социальный контракт, к которому сообществу предстоит адаптироваться в мире, пронизанном ИИ.

Что касается оценивания: хотя ИИ может быть хорошим способом проверить задание по рубрике или автоматизировать часть оценивания, у многих студентов вполне обоснованно возникает резко негативная реакция, если после вложенного в задание собственного времени единственная обратная связь исходит от машины. Альтернативный способ использовать ИИ-оценщиков — предоставлять их результаты напрямую студентам вместе с заданием, как способ получить полезную обратную связь о своей работе, а не как способ определить итоговую оценку. Если рассматривать задания как критически важный инструмент обучения, и преподавателю, и студенту нужно вкладывать в процесс собственные мысли и усилия.

3.2.4. Учить эффективному, ответственному и этичному использованию ИИ

В опросе Tech Survey осенью 2025 года более двух третей ответивших студентов считали, что ИИ будет важен для их карьеры, но лишь 25% ощущали, что MIT адекватно готовит их к использованию ИИ.

Эффективное, ответственное и этичное использование ИИ — разные, но взаимосвязанные вещи. Студентам нужны способы развивать компетентность в каждой из них. Комитет рекомендует немедленно интегрировать эти темы в ориентацию для бакалавров и магистрантов/аспирантов и как можно скорее пронизать ими весь учебный план, чтобы члены сообщества выработали общее чувство компетентности в оценке и анализе систем ИИ.

  • Чтобы эффективно использовать ИИ, студентам нужно научиться формулировать задачу или запрос, проверять результат, распознавать, когда модель, скорее всего, «галлюцинирует», и когда вообще не стоит обращаться к ИИ.
  • Ответственное использование начинается с понимания разницы между усилением и автоматизацией применительно к образованию: когда ИИ помогает человеку работать лучше — против случаев, когда он заменяет человека (тем самым устраняя обучение, которое происходило бы при самостоятельном выполнении работы). Ответственное использование также подразумевает умение честно раскрывать вклад ИИ в курсовых работах, диссертациях, внутренних отчётах и публикуемых исследованиях.
  • Этичное использование требует от каждого и от всех вместе разобраться в вопросах, которые сообщество ещё не проработало: происхождение обучающих данных; потенциальная предвзятость; риск гомогенизации результатов; экологические и ресурсные издержки; вопросы интеллектуальной собственности; и грань между помощью и искажением авторства.

Эти темы можно прививать через учебный план разными способами: выпускные проекты по специальности могут включать компоненты, связанные с ИИ, — например, возможность порефлексировать над границами ИИ и его уместным использованием в дисциплине. Кафедры также могут разработать курсы «AI-I-M» (интенсив по ИИ в специальности) и аналогичные базовые курсы для аспирантов, чтобы научить студентов тому, как использование ИИ сочетается с практиками их дисциплины. Курсы с интенсивной коммуникацией также должны давать инструкции и практику по тому, как и когда использовать (или избегать) ИИ в письме, включая риски галлюцинированных ссылок и гомогенизации языка и идей. Научные руководители и исследовательские группы должны включать обсуждение уместного использования ИИ при проведении и публикации исследований.

3.2.5. Признавать и смягчать негативные последствия ИИ

Из сессий обратной связи и результатов опросов стало ясно: многие в MIT возражают против того, как обучались большинство моделей ИИ — путём считывания огромных объёмов данных из интернета, часто без явного согласия авторов. Некоторые члены сообщества полностью отказываются от использования ИИ, потому что не согласны с тем, как собирались данные — без выгоды или указания авторства для их создателей.

MIT нужно признать широкий спектр отношений и взглядов на ИИ — от энтузиазма до скептицизма и полного отторжения — и создать образовательный опыт, позволяющий всем студентам преуспевать академически и лично. MIT также стоит поощрять исследования и политические усилия по смягчению негативных последствий ИИ.

Пока корпорации агрессивно продвигают свои продукты на базе ИИ в сфере образования, в том числе в самом кампусе, люди всё сильнее обеспокоены растущим размером и влиянием ведущих технологических компаний. Это особенно верно для студентов, выросших под влиянием мощных социальных сетей. Они хотели бы видеть больше ответственности и прозрачности в отношении общественного, экологического и социального воздействия инструментов ИИ.

3.2.6. Раскрывать использование ИИ в диссертациях и другой исследовательской работе

Студенческие исследования — визитная карточка образования в MIT. Многие студенты вносят вклад в исследовательские публикации, а студенческие диссертации, публично доступные через репозиторий MIT Open Scholarship15 библиотек MIT, делятся исследованиями со всем миром. Поскольку эти публикации не только распространяют знание, но и запускают карьеры, они должны отражать ценность и честность образования MIT.

Все диссертации должны включать заявление о том, как ИИ использовался при их подготовке. ИИ никогда не должен указываться как соавтор. Большинство журналов и конференций также требуют указания использования ИИ, а некоторые запрещают определённые сценарии использования, поэтому исследователям стоит проверять требования перед подготовкой рукописей к публикации. Библиотеки MIT дают рекомендации о том, как и когда цитировать инструменты ИИ16.

Как и в аудитории, нормы играют важную роль в том, как ИИ используется в исследованиях, особенно при подготовке рукописей и диссертаций. Какие способы использования ИИ в исследованиях приемлемы? Как обучать исследователей различать, когда результат работы ИИ полезен и достоверен? Стандарты и практики будут различаться в разных сообществах. Но все исследователи MIT должны рассматривать ИИ как инструмент под управлением человека, который отвечает за проверку точности его результатов.

3.3. Построение процессов, команд и инструментов для непрерывной рефлексии, итераций и улучшения

Предыдущие разделы описали множество изменений, немедленных и долгосрочных, которые MIT предстоит внести, чтобы адаптироваться к ИИ. Однако с учётом поразительной скорости изменений в области ИИ предложенные сегодня решения должны непрерывно эволюционировать. Рекомендации этого раздела призваны обеспечить эту необходимую постоянную адаптацию.

3.3.1. Учредить постоянный комитет по ИИ и образованию

Всем членам комитета было ясно: хотя отчёт завершён, работа MIT над этой темой только начинается.

Чтобы воплотить рекомендации в жизнь, MIT должен учредить постоянный комитет. Он будет отслеживать влияние ИИ внутри и за пределами кампуса, оценивать изменения в моделях и технологиях ИИ и включать новые данные из экономики, наук об обучении и опыта кампуса в политики и практики.

Этот комитет станет основной группой, отвечающей за стратегию, мониторинг, оценку и координацию политики, работая в тесном контакте с руководителями по ИИ, стипендиатами по ИИ и командой внедрения ИИ (их роли описаны в разделах ниже).

3.3.2. Создать руководителей по ИИ на уровне школ/колледжей или кафедр

Рекомендуется назначить руководителей по ИИ в каждой школе и колледже (а возможно, и в каждой кафедре), чтобы помочь с локальным планированием, адаптацией и внедрением ИИ в учебный план.

Их обязанности могут включать формирование адаптированных политик ИИ, планирование адаптации предложений курсов конкретного подразделения с учётом ИИ и разработку новых моделей образования и оценивания на уровне подразделения — таких как обучение на основе компетенций, портфолио или их сочетание.

3.3.3. Финансировать стипендиатов по ИИ и команду внедрения ИИ

Также рекомендуется, чтобы MIT профинансировал команду внедрения ИИ и стипендиатов по ИИ — сотрудников, постдоков, участников UROP и аспирантов с навыками, помогающими преподавателям адаптировать курсы к ИИ так, чтобы максимально использовать возможности новейших технологий и опираться на принципы наук об обучении.

Включая экспертов в технологиях, ИИ и науках об обучении, эта команда и стипендиаты будут работать на трёх уровнях: поддержка отдельных преподавателей; разработка инструментов для всего кампуса; и роль экспертов по внедрению, «держащих руку на пульсе», изучающих, как эти инструменты используются в кампусе и с каким эффектом.

Переход от давних аудиторных практик и форм оценивания к новому набору практик и форм оценивания, осознающих ИИ или использующих его, — непростая задача для любого отдельного преподавателя. Сделать это в масштабе всего Института — колоссальное предприятие.

Если ожидается, что преподаватели пойдут дальше постепенных улучшений, им нужно предложить руководство, прямую поддержку и сообщество. Поскольку существующие подразделения поддержки преподавателей и учебного плана, такие как Лаборатория преподавания и обучения, уже работают на пределе возможностей, успех этого начинания потребует расширения штата экспертов.