Принстонский университет весной 2026 года упразднил одну из своих самых известных традиций: письменные экзамены снова проходят под наблюдением. Более 130 лет университет обходился без этого — студенты сидели в аудитории и решали задания самостоятельно, пока преподаватели занимались своими делами за стенкой. Система держалась на кодексе чести (Honor Code), введённом ещё в XIX веке: предполагалось, что студенты сами соблюдают правила и сообщают о нарушениях. Принстон гордился этим как свидетельством высокого уровня самоорганизации и доверия внутри академического сообщества.
Но данные опроса 500 студентов того же Принстона рисуют другую картину: около 30% признались, что списывали на экзаменах, 45% знали о нарушениях, но не сообщили о них, и лишь 0,4% донесли до администрации. Эти цифры говорят не столько о влиянии генеративного ИИ, сколько о более глубоком процессе: система, которая десятилетиями существовала благодаря внутренней дисциплине, постепенно перестала получать поддержку от самих участников. Принципиально важно, что изменения пошли снизу — это не решение администрации, а обращение студентов и преподавательского состава, которые зафиксировали: механизм сломан.
| Показатель | Значение |
|---|---|
| Доля студентов Принстона, признавших списывание | ~30% |
| Доля знавших о нарушениях, но промолчавших | 45% |
| Доля сообщивших о нарушениях | 0,4% |
| Лет действовал Honor Code без наблюдателей на экзаменах | более 130 |
Генеративный ИИ стал катализатором, а не причиной. Слабость традиционной системы проверки знаний существовала задолго до появления больших языковых моделей. Письменные домашние работы, рефераты, ответы на вопросы экзамена — все эти форматы изначально не могли надёжно отличить понимание от доступа к информации. Списывание с чужих конспектов, заказные рефераты, шпаргалки — всё это было нормой задолго до ChatGPT. Разница в том, что раньше обход системы требовал хотя бы минимальных усилий. Сегодня несколько запросов к LLM дают готовый, грамотно оформленный ответ, который можно передать преподавателю, не загрузив содержание в голову вообще.
Опрос 500 студентов Принстона показал: около 30% списывали, 45% знали о нарушениях, но промолчали, и лишь 0,4% сообщили о них.
Традиционная модель образования строилась на компромиссе: один преподаватель обслуживает аудиторию из 20–200 человек, передаёт знания потоком и проверяет их через письменные форматы — потому что это экономит время. Этот компромисс подразумевал, что результат работы автоматически связан с человеком, который её сдал. Генеративный ИИ разорвал эту связь окончательно и сделал разрыв очевидным для всех участников процесса.
С другой стороны, те же инструменты открывают возможности, которых у образования раньше не было. Каждый студент получает персонального помощника, готового объяснять материал бесконечно долго, подстраиваться под уровень подготовки и не раздражаться после десятого повторения одного и того же вопроса. Это снимает часть нагрузки с преподавателя и потенциально делает обучение более доступным. Проблема не в самом инструменте, а в том, что система оценки знаний к нему не адаптирована.
Кризис доверия, который Принстон зафиксировал институционально, не ограничивается университетскими аудиториями. Похожие процессы уже происходят в open source — когда сгенерированный код коммитят под своим именем, в найме — когда тестовые задания выполняет ИИ, и в создании контента — когда авторство становится условным понятием. Во всех этих случаях старые механизмы верификации перестают работать, а новые ещё не выработаны. Ключевой вопрос, который ИИ лишь ускорил: как серийно оценивать глубинное понимание, а не факт доступа к готовому ответу — остаётся открытым.