Барьеры использования ИИ-инструментов преподавателями

Об авторах:

Хузяхметов Роман Ренатович, кандидат социологических наук, старший преподаватель кафедры общей и экономической социологии, Финансово-экономический институт, Тюменский государственный университет, Тюмень, Россия; r_o_m_a_n_14@mail.ru, https://orcid.org//0000-0003-0850-4716

Ромашкина Гульнара Фатыховна, доктор социологических наук, профессор, профессор кафедры экономической безопасности, системного анализа и контроля, Тюменский государственный университет, Тюмень, Россия, g.f.romashkina@utmn.ru, https://orcid.org/0000-0002-7764-5566, Scopus Author ID: 16437113600, WoS ResearcherID: O-7221-2017

Таскаев Артём Фролович, студент бакалавриата, кафедра общей и экономической социологии, Финансово-экономический институт, Тюменский государственный университет, Тюмень, Россия; task_a_rtem@mail.ru, https://orcid.org//0009-0004-3656-5297

Шевляков Артём Николаевич, доктор физико-математических наук, профессор, заместитель директора Школы компьютерных наук, Тюменский государственный университет, Тюмень, Россия; a.n.shevlyakov@utmn.ru, https://orcid.org/0000-0002-5338-6264

Ходырев Арсений Николаевич, студент магистратуры, Академический департамент Школы компьютерных наук, Тюменский государственный университет, Тюмень, Россия; arseniy2002@mail.ru, https://orcid.org/0000-0001-7151-9852

Аннотация:

Популярность систем генеративного искусственного интеллекта у студентов актуализирует изменение устоявшихся подходов и методик реализации учебного процесса, а также подталкивает преподавателей к профессиональному развитию. Однако потенциал положительного влияния искусственного интеллекта на высшее образование недоиспользован, поскольку преподаватели недостаточно интегрируют его в свою деятельность. Цель исследования состоит в выявлении барьеров, препятствующих использованию ИИ-инструментов преподавателями в работе со студентами. Качественное исследование опирается на деятельностный подход: трансформация способов организации учебной активности изучается в сочетании внешних стимулов и внутренних мотиваторов, что позволяет на основании анализа вариативного индивидуального опыта реконструировать восприятие и нормы поведения, принятые в преподавательском сообществе в отношении ИИ-инструментов. Эмпирическая база получена в ходе формализованных интервью с преподавателями ТюмГУ (n = 193). Данные проанализированы методом контент-анализа. Исследование показало, что конструктивному внедрению искусственного интеллекта препятствуют рискологические, имиджевые и дидактические барьеры, которые находятся в сложных взаимосвязях и могут усиливать негативные эффекты друг друга. Рискологические барьеры проявляются в отказе использовать искусственный интеллект из-за опасений снижения качества образования. Имиджевые барьеры выражаются в использовании искусственного интеллекта для поддержания профессионального статуса, но не для достижения содержательно новых результатов. Дидактические барьеры связаны с отсутствием компетенций по работе с искусственным интеллектом. Управленческие рекомендации по преодолению барьеров предлагаются на основании теории самодетерминации, что позволяет учесть важные факторы добровольного позитивного изменения поведения. Обосновывается необходимость создания коллаборативных пространств для членов профессорско-преподавательского состава, способствующих созданию условий для увеличения ИИ-грамотности, повышения рискологической компетентности, обмена опытом и взаимного обучения. Приводится возможная повестка этих собраний.

Список литературы:

Ананин Д. П., Комаров Р. В., Реморенко И. М. 2025. «Когда честно — хорошо, для имитации — плохо»: стратегии использования генеративного искусственного интеллекта в российском вузе // Высшее образование в России. 2025. Т. 34. № 2. С. 31–50. https://doi.org/10.31992/0869-3617-2025-34-2-31-50.

Андрюхина Л. М., Садовникова Н. О., Уткина С. Н., Мирзаахмедов А. М. 2020. Цифровизация профессионального образования: перспективы и незримые барьеры // Образование и наука. Т. 22. № 3. С. 116–147. https://doi.org/10.17853/1994-5639-2020-3-116-147.

Бермус А. Г., Сизова Е. В. 2025. Этические аспекты реализации технологий искусственного интеллекта в классическом университете: анализ отношения студенческой аудитории // Непрерывное образование: XXI век. Т. 13. № 2. https://cyberleninka.ru/article/n/eticheskie-aspekty-realizatsii-tehnologiy-iskusstvennogo-intellekt...
sitete-analiz-otnosheniya-studencheskoy (дата обращения: 01.12.2025).

Буякова К. И., Дмитриев Я. А., Иванова А. С., Фещенко А. В., Яковлева К. И. 2024. Отношение студентов и преподавателей к использованию инструментов с искусственным интеллектом в вузе // Образование и наука. № 26 (7). С. 160–193. https://doi.org/10.17853/1994-5639-2024-7-160-193.

Гущин А. Н. 2022. Цифровая дидактика: системные основания и образ будущего // Педагогика и просвещение. № 2. С. 100–115. https://doi.org/10.7256/2454-0676.2022.2.35657.

Давыдов С. Г., Матвеева Н. Н., Адемукова Н. В., Вичканова А. А. 2024. Искусственный интеллект в российском высшем образовании: текущее состояние и перспективы развития // Университетское управление: практика и анализ. Т. 28. № 3. С. 32–44. https://doi.org/10.15826/umpa.2024.03.023.

Кузьменко Е. Л., Белоусова Т. М., Лещенко Е. М. 2024. Проблемы и риски интеграции искусственного интеллекта в высшее образование // Регион: системы, экономика, управление. № 2 (65). С. 164–168. https://doi.org/10.22394/1997-4469-2024-65-2-164-168.

Попов Д. С. 2020. Человеческий капитал в России: точность измерения и ограничения подхода // Социологические исследования. № 11. С. 27–38. https://doi.org/10.31857/
S013216250010466-5.

Резаев А. В., Степанов А. М., Трегубова Н. Д. 2024. Высшее образование в эпоху искусственного интеллекта // Высшее образование в России. Т. 33. № 4. С. 49–62. https://doi.org/10.31992/0869-3617-2024-33-4-49-62.

Сорокин П. С., Редько Т. Д. 2024. Современные исследования агентности в сфере образования: систематизация ключевых понятий и разработок // Вопросы образования. № 1. С. 236–264. https://doi.org/10.17323/vo-2024-18131.

Стрелкова Н. Б. 2019. Риски внедрения цифровых технологий в образовании // Вестник Самарского университета. История, педагогика, филология. Т. 25. № 2. С. 84–88. https://doi.org/10.18287/2542-0445-2019-25-2-84-88.

Субботина М. В. 2024. Искусственный интеллект и высшее образование — враги или союзники // Вестник Российского университета дружбы народов. Серия: Социология. Т. 24. № 1. С. 176–183. https://doi.org/10.22363/2313-2272-2024-24-1-176-183.

Сысоев П. В. 2024. Этика и ИИ-плагиат в академической среде: понимание студентами вопросов соблюдения авторской этики и проблемы плагиата в процессе взаимодействия с генеративным искусственным интеллектом // Высшее образование в России. Т. 33. № 2. С. 31–53. https://doi.org/10.31992/0869-3617-2024-33-2-31-53.

Сысоев П. В. 2025. Персонализированное обучение на основе технологий искусственного интеллекта: насколько готовы современные студенты к новым возможностям получения образования // Высшее образование в России. Т. 34. № 2. С. 51–71. https://doi.org/10.31992/0869-3617-2025-34-2-51-71.

Тернер Е. Ю. 2022. Цифровизация высшего образования: барьеры цифровой трансформации в высших учебных заведениях и онлайн-обучение (OCL) // Вестник Чувашского государственного педагогического университета им. И. Я. Яковлева. № 4 (117). С. 170–177. https://doi.org/10.37972/chgpu.2022.117.4.022.

Тимохина Г. С., Попова О. И., Изакова Н. Б. 2022. Моделирование цифрового имиджа преподавателя вуза // Интеграция образования. Т. 26. № 4. С. 613–636. https://doi.org/10.15507/1991-9468.109.026.202204.613-636.

Тюрина Ю. А. 2008. Деятельностный подход в социологии в исследовании отечественного образования // Вестник Санкт-Петербургского университета. Сер. 12. № 3. С. 295–306.

Almatrafi O., Johri A., Lee H. 2022. A systematic review of AI literacy conceptualization, constructs, and implementation and assessment efforts (2019–2023) // Computers and Education Open. Vol. 6. 100174. https://doi.org/10.1016/j.caeo.2024.100173.

Bearman M., Ryan J., Ajjawi R. 2023. Discourses of artificial intelligence in higher education: A critical literature review // Higher Education. Vol. 86. Pp. 369–385. https://doi.org/10.1007/s10734-022-00937-2.

Blundell C. N., Mukherjee M., Nykvist S. 2022. A scoping review of the application of the SAMR model in research // Computers and Education Open. Vol. 3. 100093. https://doi.org/10.1016/j.caeo.2022.100093.

Cheah Y. H., Lu J., Kim J. 2025. Integrating generative artificial intelligence in K12 education: Examining teachers’ preparedness, practices, and barriers // Computers and Education: Artificial Intelligence. Vol. 8. 100363. https://doi.org/10.1016/j.caeai.2025.100363.

Crawford J., Vallis C., Yang J., Fitzgerald R., O’Dea C., Cowling M. 2024. Artificial Intelligence is awesome, but good teaching should always come first // Journal of University Teaching and Learning Practice. Vol. 20. No. 7. Art. 1. https://doi.org/10.53761/1.20.7.01.

Dijkstra R., Genç Z., Kayal S., Kamps J. 2022. Reading Comprehension Quiz Generation using Generative Pre-trained Transformers // CEUR Workshop Proceedings. Vol. 3192. Pp. 4–17.

Gerlich M. 2025. AI tools in society: impacts on cognitive offloading and the future of critical thinking // Societies. Vol. 15. No. 6. https://doi.org/10.3390/soc15010006.

Hamilton E. R., Rosenberg J. M., Akcaoglu M. 2016. The substitution augmentation modification redefinition (SAMR) model: a critical review and suggestions for its use // TechTrends. Vol. 60. No. 5. Pp. 433–441. https://doi.org/10.1007/s11528-016-0091-y.

Lan Y.-J., Chen N.-S. 2024.Teachers’ agency in the era of LLM and generative AI: Designing pedagogical AI agents // Educational Technology & Society. Vol. 27. No. 1. Pp. I–XVIII.

Lee D., Arnold M., Srivastava A., Plastow K., Strelan P., Ploeckl F., Lekkas D., Palmer E. 2024. The impact of generative AI on higher education learning and teaching: A study of educators’ perspectives // Computers and Education: Artificial Intelligence. Vol. 6. Art. 100221. https://doi.org/10.1016/j.caeai.2024.100221.

Longo L. 2020. Empowering qualitative research methods in education with Artificial Intelligence // Advances in Intelligent Systems and Computing. Vol. 1068. https://doi.org/10.1007/978-3-030-31787-4_1.

Mah D.-K., Groß N. 2024. Artificial intelligence in higher education: exploring faculty use, self-efficacy, distinct profiles, and professional development needs // International Journal of Educational Technology in Higher Education. Vol. 21. No. 58. https://doi.org/10.1186/s41239-024-00490-1.

Mercader C., Gairín J. 2020. University teachers’ perception of barriers to the use of digital technologies: the importance of the academic discipline // International Journal of Educational Technology in Higher Education. Vol. 17. No. 1. https://doi.org/10.1186/s41239-020-0182-x.

País M. R., Vitoria R. V., Salazar C. M., Quiroz J. S. 2025. Towards AI education: qualitative analysis of the perceptions of professors at a regional public university // Social Sciences & Humanities Open. Vol. 12. Art. 101668. https://doi.org/10.1016/j.ssaho.2025.101668.

Ryan R. M., Deci E. L. 2017. Self-Determination Theory Basic Psychological Needs in Motivation, Development, and Wellness. New-York: The Guilford Press. 756 рp.

Venkatesh V., Davis F. D. 2000. A theoretical extension of the technology acceptance model: four longitudinal field studies // Management Science. Vol. 46. No. 2. Pp. 186–204. https://doi.org/10.1287/mnsc.46.2.186.11926.

Vorobyeva K. I., Belous S., Savchenko N. V., Smirnova L. M., Nikitina S. A., Zhdanov S. P. 2025. Personalized learning through AI: Pedagogical approaches and critical insights // Contemporary Educational Technology. Vol. 17. No. 2. ep574. https://doi.org/10.30935/cedtech/16108.

Xia Q., Chiu T. K. F., Lee M., Sanusi I. T., Dai Y., Chai C. S. 2022. A self-determination theory (SDT) design approach for inclusive and diverse artificial intelligence (AI) education // Computers & Education. Vol. 189. Art. 104582. https://doi.org/10.1016/j.compedu.2022.104582.