Генеративные нейросети все активнее используются студентами для написания и исправления кода, решения учебных задач и объяснения решений. Это создает проблему для преподавателей: итоговые работы перестают отражать реальный уровень усвоения материала. Доцент департамента менеджмента НИУ ВШЭ в Санкт-Петербурге Андрей Терников предложил дерево решений, которое помогает преподавателям выбрать адекватный способ оценки в зависимости от ситуации. Статья с описанием подхода опубликована в журнале IT Professional.
Блок-схема учитывает несколько факторов: тип задания, уровень подготовки студентов, возможность автоматической проверки и ограничения по времени. На младших курсах, где должны формироваться фундаментальные знания, автор рекомендует проводить контрольные точки с ограниченным доступом к ИИ или вовсе без него. «На базовых курсах у студентов должны сформироваться фундаментальные знания, поэтому контрольные точки лучше проводить с ограниченным доступом к ИИ или без него. А когда эти знания уже есть, можно оценивать и то, насколько осмысленно студент использует ИИ-инструменты», — поясняет Терников.
При этом полный запрет на использование нейросетей, по мнению исследователя, нецелесообразен: от разработчиков в профессиональной среде уже ожидается владение ИИ-инструментами. Поэтому на старших курсах предлагается включать нейросети в задания и отдельно оценивать, насколько осмысленно студент с ними работает. Например, студенты могут показывать, как именно они использовали ИИ, а преподаватель вместе с ними анализирует получившиеся работы. «Такой формат учит не просто обращаться к нейросети за помощью, а понимать ее вклад, объяснять свои решения и критически проверять результат», — добавляет Терников.
На младших курсах предлагается ограничивать использование ИИ, чтобы сформировать фундаментальные знания.
Часть контрольных точек должна проходить без помощи ИИ — в формате устного экзамена или задания в контролируемой среде. Это позволяет одновременно обучать работе с современными инструментами и проверять, сформировались ли у студента необходимые навыки. Автор отмечает, что часть методик проверялась на небольшой выборке, поэтому их применимость на разных курсах, в разных вузах и в долгосрочной перспективе требует дополнительной проверки.
Подход ВШЭ перекликается с общемировой дискуссией о том, как адаптировать образование к распространению генеративных моделей. Университеты по-разному решают эту задачу: одни вводят строгие запреты, другие интегрируют ИИ в учебные программы. Предложенная блок-схема — один из инструментов, который позволяет преподавателям гибко реагировать на новые реалии, сохраняя главную цель: оценка должна отражать реальные знания и навыки студента, даже если он пользуется ИИ в процессе обучения.
