University Students’ Readiness to Interact with Artificial Intelligence: An Empirical Study Based on the Components of Meta-Digital Competence

Full Text

Введение Современное высшее образование переживает кардинальную трансформацию под влиянием искусственного интеллекта (ИИ). Если еще недавно цифровая грамотность ограничивалась навыками работы с компьютерными программами и интернет-ресурсами, то сегодня студенты ежедневно взаимодействуют с генеративными моделями, используют нейросети для перевода и создания контента, полагаются на ИИ при выполнении академических заданий. Между тем готовность студентов к осознанному управлению этими технологиями остается недостаточно изученной. Актуальность исследования обусловлена несколькими факторами. Во-первых, стремительным внедрением ИИ во все сферы профессиональной деятельности, требующим от выпускников умения эффективно взаимодействовать с интеллектуальными системами[12]. Во-вторых, недостаточной изученностью готовности студентов к такому взаимодействию, особенно в контексте этических и рефлексивных аспектов. В-третьих, необходимостью научного обоснования новых образовательных подходов для эпохи ИИ. Проблема заключается в разрыве между стихийным освоением ИИ-инструментов и отсутствием системного подхода к формированию компетенций для работы с ними. Полагаем, что именно этот разрыв определяет потребность в новой способности - метацифровой компетентности (МЦК), интегрирующей метакогнитивные, этические и социальные аспекты работы с ИИ, позволяющей не просто использовать ИИ-инструменты, а координировать продуктивное взаимодействие человеческого и машинного интеллекта. Каждый новый этап развития цифровых технологий ставил перед образовательным сообществом вопрос о том, какие способности необходимы человеку для эффективного действия в технологически насыщенной среде. Первым концептуальным ответом на этот вызов стала цифровая грамотность в понимании П. Гилстера, который в 1997 г. определил ее как способность критически работать с информацией в цифровой среде (Gilster, 1997). Европейская рамка DigComp развила это понимание, структурировав цифровую компетентность через пять областей, от информационной грамотности до реше ния проблем в цифровой среде, и в 2025 г. вышла в третьей, обнов ленной версии, системно интегрировавшей измерение искусственного интеллекта[13]. Параллельно в зарубежной литературе оформилось понятие ИИ-грамотности. Согласно обзору М. Лаупихлера и соавторов, наиболее цитируемое ее определение принадлежит Д. Лонгу и Б. Магерко, которые описывают ее как набор компетенций, позволяющих критически оценивать технологии ИИ, эффективно взаимодействовать и сотрудничать с ИИ, использовать ИИ как инструмент в онлайн-среде, дома и на рабочем месте (Laupichler et al., 2022). Обращает на себя внимание то, что и в этом определении ИИ описывается прежде всего как инструмент. Между тем генеративный ИИ меняет саму природу взаимодействия, которое из инструментального становится когнитивно-партнерским. Полагаем, что именно этот сдвиг ставит перед образованием принципиально новые задачи, к которым ни рамки цифровой компетентности, ни формирующееся понятие ИИ-грамотности в полной мере не готовят. О том, насколько образование оказалось готово к этим задачам, красноречиво свидетельствуют российские эмпирические данные. По результатам крупнейшего отечественного исследования, охватившего 52 919 студентов, в 2023-2024 учебном году около половины обучающихся российских вузов уже использовали ИИ-инструменты, однако преимущественно интуитивно, без осознания самого процесса взаимодействия (Алешковский и др., 2024). Уже к 2025 г. доля использующих ИИ в ведущих российских университетах достигла 87 %, тогда как навыки критической оценки результатов и этической рефлексии по-прежнему остаются несформированными (Кузьминов и др., 2025). Практика взаимодействия студентов с ИИ, таким образом, растет количественно, но не развивается качественно. Как нам представляется, именно это расхождение и составляет исследовательскую проблему настоящей работы. Растущий массив исследований показывает, что стихийное освоение ИИ сопряжено с рисками, выходящими далеко за пределы технических вопросов. Систематический обзор четырнадцати эмпирических исследований использования ChatGPT в образовании, выполненный коллективом Я. Албадарина, зафиксировал, что студенты применяют ИИ преимущественно как виртуального интеллектуального помощника и для развития письменных навыков, при этом каждое пятое из проанализированных исследований выявило негативное влияние чрезмерного использования ИИ на самостоятельность мышления обучающихся (Albadarin et al., 2024). К рискам иного порядка исследователи относят угрозы академической честности, поскольку генеративные модели позволяют выдавать сгенерированный текст за собственный (Cotton et al., 2024; Eke, 2023), и феномен «галлюцинаций» ИИ, при котором модель предоставляет ложную информацию в убедительной форме, что особенно опасно для неподготовленного пользователя, не имеющего привычки проверять полученные ответы (Alkaissi, McFarlane, 2023). Экспериментальные данные подтверждают эти опасения. Сравнив мотивацию, процессы саморегулируемого обучения и результаты письменного задания при разных видах поддержки, исследовательская группа под руководством Ю. Фаня обнаружила эффект, названный «метакогнитивной ленью». По их наблюдениям, чрезмерное доверие к ChatGPT усиливает технологическую зависимость и учащийся начинает следовать подсказкам модели ради быстрого результата, не включаясь в оценку собственного понимания, мониторинг и планирование мышления (Fan et al., 2025). Обеспокоены этим и отечественные исследователи. О деградации когнитивных навыков при решении задач с помощью ИИ, невозможной в отрыве от собственных интеллектуальных усилий, пишет А.В. Торкунов (Торкунов, 2025). Феномен «потери авторского голоса», то есть снижение критического мышления и способности к самостоятельной аргументации у студентов, чрезмерно полагающихся на генеративные модели, описан Л.К. Раицкой и Е.В. Тихоновой (Raitskaya, Tikhonova, 2025). К близким выводам в своем обзоре приходят О.А. Ульянина и Е.Н. Вихрова. Опора на готовые ответы формирует привычку пассивного потребления информации, что побуждает авторов настаивать на сбалансированном, ориентированном на человека внедрении ИИ (Ulyanina, Vikhrova, 2025). Н.Н. Зильберман, проанализировав эмпирические работы 2023-2025 гг., фиксирует фундаментальную двойственность влияния генеративного ИИ на метакогнитивные навыки студентов. При отсутствии педагогического сопровождения он провоцирует описанную выше метакогнитивную лень, тогда как при целенаправленной педагогической интеграции способен поддерживать метакогнитивную регуляцию (Зильберман, 2026). Разделяем позицию Н. Н. Зильберман в том, что эффективность ИИ в образовательном процессе определяется не его техническими возможностями, а качеством педагогического дизайна взаимодействия. Из этого следует важный для нашего исследования вывод. Прежде чем проектировать такие педагогические условия, необходимо понять, с чем именно работает преподаватель, то есть оценить реальную готовность студентов к осознанному взаимодействию с ИИ. Проведенный анализ показывает, что в литературе сложилось отчетливое понимание как масштабов проникновения ИИ в образовательную практику, так и связанных с этим рисков. Вместе с тем эмпирических работ, оценивающих готовность студентов к осознанному взаимодействию с ИИ комплексно, а не по отдельным ее проявлениям, по-прежнему недостаточно. Большинство исследований сосредоточено либо на частоте и сценариях использования ИИ-инструментов, либо на отдельных рисках, тогда как целостная картина, охватывающая одновременно когнитивные, практические, этические и рефлексивные аспекты этой готовности, остается несобранной. Для построения такой картины необходима теоретическая основа, задающая структуру анализа. В качестве таковой в настоящем исследовании выступает концепция метацифровой компетентности. Метацифровая компетентность понимается нами как интегративная способность личности к эффективному, осознанному и этически ответственному взаимодействию с ИИ и нейросетевыми технологиями в процессе решения познавательных и профессиональных задач (Конколь, 2025). МЦК включает шесть взаимосвязанных компонентов: когнитивный (понимание принципов работы ИИ-систем, их возможностей и ограничений), адаптивный (готовность корректировать стратегии взаимодействия по мере эволюции технологий), практический (осознанный выбор и применение ИИ-инструментов), этический (осознание моральных дилемм, порождаемых генеративными технологиями), рефлексивный (мониторинг собственных познавательных процессов и границ делегирования задач машине) и социальный (понимание влияния ИИ на общество). Выбор именно этих компонентов не произволен и обусловлен тем, что меняет ИИ в познавательной деятельности человека. Исходную логику задает компетентностный подход, в отечественной традиции разработанный И.А. Зимней (Зимняя, 2004). Сам этот подход формировался задолго до появления генеративных моделей, однако, по нашему мнению, его центральная идея, согласно которой компетентность есть способность действовать, а не сумма знаний, переносима и на принципиально новый контекст взаимодействия с интеллектуальными системами. Из этой же идеи прямо вытекает практический компонент МЦК, поскольку способность действовать проверяется только в реальном применении ИИ-инструментов к учебным и профессиональным задачам. Осознанность такого взаимодействия мы рассматриваем через призму теории метапознания Дж. Флейвелла (Flavell, 1979), описывающей способность человека наблюдать за собственными мыслительными процессами и управлять ими. Делегируя часть мыслительных операций ИИ, человек рискует утратить контроль над собственным познавательным процессом. Реальность этого риска подтверждают данные М. Герлиха о связи когнитивной разгрузки при работе с ИИ-инструментами со снижением способности к критическому мышлению (Gerlich, 2025). На его предупреждение, как нам представляется, и направлены рефлексивный и когнитивный компоненты МЦК. Согласно концепции распределенного познания Э. Хатчинса (Hutchins, 1995), мышление не замкнуто на индивиде, а разворачивается в системе, объединяющей человека, инструменты и среду. Из этого положения мы делаем вывод о необходимости адаптивного и социального компонентов МЦК, поскольку ИИ делает распределенный характер познания особенно зримым и требующим управления. Этический компонент отражает специфические моральные дилеммы, которые порождает сам характер генеративных технологий. Речь идет об ответственности за содержание, созданное машиной, о прозрачности ее использования и о соблюдении академической честности в условиях, когда текст, претендующий на авторство, порожден не человеком. Отметим, что компонентный состав не исчерпывает содержание МЦК. Развернутое обоснование концепции представлено в диссертационном исследов ании (Конколь, 2025), а ее дальнейшее развитие - уже в качестве системы, применительно к языковому образованию, - раскрыто в работе о методологических основаниях (Конколь, Марьина, 2025). Подчеркнем, что МЦК не замещает цифровую компетентность, а надстраивается над ней. Если цифровая компетентность охватывает навыки работы с цифровой средой и устройствами, то МЦК концентрируется на качественно ином предмете, а именно на осознанном взаимодействии с системами, способными генерировать контент и имитировать рассуждение. В настоящем исследовании МЦК выступает не объектом изучения, а аналитическим инструментом, компонентная структура которого задает разрезы оценки готовности студентов к взаимодействию с ИИ. Цель исследования - оценить готовность студентов университета к взаимодействию с ИИ-технологиями в образовательном процессе с учетом компонентов МЦК и выявить дефициты, препятствующие ее формированию. Для достижения поставленной цели были сформулированы следующие исследовательские вопросы. Во-первых, каков уровень готовности студентов к взаимодействию с ИИ-технологиями в образовательном процессе в контексте компонентов МЦК? Во-вторых, какие компоненты МЦК демонстрируют наибольшие дефициты в готовности студентов к взаимодействию с ИИ и чем это обусловлено? В-третьих, какие барьеры препятствуют использованию ИИ-инструментов студентами и какие образовательные меры могут способствовать развитию такой готовности? Процедура и методы исследования Процедура исследования Эмпирическую базу составили данные опроса, который проводился в МГИМО МИД России в рамках НИР «Вызовы и возможности интеграции инструментов ИИ в образовательный процесс» с ноября 2023 по ноябрь 2024 г. К этому времени генеративные модели уже заметно вошли в учебный обиход. ChatGPT знали почти все, но привычным рабочим инструментом он тогда еще не стал. Опрос строился как анкетирование, направленное на получение информации о практиках, мнениях и самооценках студентов, и не являлся психодиагностическим измерением сформированности компетентности. Анкету разрабатывала междисциплинарная рабочая группа НИР, включавшая специалистов в области педагогики, социологии и информационных технологий, а формулировки вопросов проходили коллегиальную экспертизу внутри группы. Онлайн-анкетирование проводилось на платформе Webanketa, среднее время заполнения составляло 15-20 мин. Заполнение анкеты было добровольным и анонимным. Исследование инициировано руководством МГИМО МИД России и проведено в соответствии с этическими стандартами опросных исследований3. 3 Этический кодекс Российского общества социологов (РОС) // Российское общество социологов : официальный сайт. URL: https://www.ssa-rss.ru/index.php?page_id=84 (дата обращения: 15.01.2026). Участники В опросе приняли участие 1092 студента МГИМО всех факультетов: 82,88 % обучающихся бакалавриата и 16,85 % магистратуры; 60,9 % женщин и 39,1 % мужчин. Использовалась стихийная выборка, приглашение к участию распространялось через внутренние каналы университета. Размер выборки сопоставлялся со статистическим расчетом для генеральной совокупности 4500 студентов при доверительной вероятности 95 % и погрешности 3 %. Методика Анкета включала 27 вопросов: 3 открытых, 14 полузакрытых и 10 закрытых. Соотнесение вопросов с компонентами МЦК, выполненное авторами на этапе анализа, представлено в табл. 1. Таблица 1 / Table 1 Соотнесение компонентов МЦК с вопросами анкеты (примеры) / Mapping of MDC Components to Questionnaire Items (Examples) Компонент МЦК / MDC Component Пример вопроса анкеты / Sample Questionnaire Item Тип вопроса / Item Type Когнитивный / Cognitive Какие нейросети вы знаете или используете? (вопрос 6) / Which AI tools do you know or use? (item 6) полузакрытый / Semi-closed Адаптивный / Adaptive Как часто вы используете нейросети для учебы? (вопрос 4) / How often do you use AI tools for your studies? (item 4) закрытый / Closed практический / Practical Какими возможностями нейросетей вы пользовались для учебы? (вопрос 9) / Which AI capabilities have you used for your studies? (item 9) полузакрытый / Semi-closed Этический / Ethical Что ограничивает вас в использовании ИИ? (включая вариант «вопросы этики») (вопрос 17) / What limits your use of AI? (including the option «ethical concerns») (item 17) полузакрытый / Semi-closed Рефлексивный / Reflexive проверяете ли вы информацию, полученную от ИИ? (вопрос 24) / Do you verify information obtained from AI? (item 24) закрытый / Closed Социальный / Social Считаете ли вы, что использование нейросетей снижает качество образования? (вопрос 15) / Do you think that the use of AI tools reduces the quality of education? (item 15) закрытый / Closed В табл. 1 для каждого компонента приведен пример вопроса анкеты, данные которого использовались при оценке соответствующего аспекта готовности. МЦК выступает в исследовании аналитическим инструментом интерпретации, а не системой измерительных шкал, поэтому к инструментарию применялись требования содержательной валидности. Полный текст анкеты доступен по запросу у корреспондирующего автора. Анализ данных Первичная обработка, включая категоризацию ответов на открытые вопросы и варианты «Другое» в полузакрытых вопросах, выполнена исследовательской группой НИР; авторы статьи работали с агрегированными результатами. Статистическая обработка выполнена в SPSS Statistics с использованием методов описательной статистики и построением таблиц сопряженности с оценкой значимости различий по критерию хи-квадрат Пирсона. Для ключевых показателей рассчитаны 95 % доверительные интервалы (ДИ) по методу Уилсона с поправкой на непрерывность. Результаты исследования Первый исследовательский вопрос касался уровня готовности студентов к взаимодействию с ИИ-технологиями. Опыт работы с ИИ-инструментами есть у 62 % опрошенных, однако интенсивным его назвать трудно. Ежедневно обращаются к нейросетям лишь 9,52 % респондентов (95 % ДИ 7,9-11,5 %), один-два раза в неделю 21,98 %, один-два раза в месяц 36,26 %. Почти треть выборки (31 %) на момент опроса нейросетями не пользовалась вовсе, причем группа эта неоднородна. Среди неиспользующих 4,49 % планируют начать, 6,87 % не умеют, а 19,6 % не пользуются и не собираются. Среди инструментов сложилась выраженная иерархия. Лидирует ChatGPT, к которому при подготовке домашних заданий обращаются 33,06 % респондентов (95 % ДИ 30,3-36,0 %), а для решения повседневных задач - 25,09 %. Второе место занимает переводчик DeepL с 22,34 % пользователей среди опрошенных (95 % ДИ 19,9-25,0 %). Сервис Midjourney задействуют в учебе 5,13 %. Осведомленность об отечественных платформах при этом низкая. Доля респондентов, незнакомых с GigaChat, Kandinsky и YaGPT, составляет от 54 до 89 % в зависимости от платформы. Использование ИИ распределено между направлениями подготовки относительно равномерно: 42,77 % применяют его при подготовке к занятиям по иностранным языкам, 45,97 % - по специальным дисциплинам. В языковом разрезе выявлена асимметрия: ИИ-инструменты практически не используются при изучении китайского (2,57 %), японского (2,14 %) и арабского (3,21 %) языков. Оценка качества генерируемого контента у большинства респондентов сдержанная: 44 % (95 % ДИ 41,0-47,0 %) характеризуют результаты работы ChatGPT как средние и требующие доработки, и лишь 12 % оценивают его качество как высокое. Второй исследовательский вопрос был направлен на выявление дефицитов в готовности студентов к взаимодействию с ИИ. Наиболее выраженный дефицит зафиксирован в этической и рефлексивной областях: систематически проверяют информацию, полученную от ИИ (вариант ответа «всегда»), лишь 17 % респондентов (95 % ДИ 14,8-19,4 %). Остальные 83 % используют генерируемый контент без регулярной верификации, что в условиях склонности генеративных моделей к «галлюцинациям» означает риск воспроизводства недостоверной информации в учебных и, в перспективе, профессиональных задачах. Второй по выраженности дефицит относится к когнитивному компоненту и касается осведомленности о спектре доступных инструментов. Знание ИИ-ландшафта у большинства респондентов ограничено одним-двумя зарубежными сервисами, тогда как отечественные разработки остаются вне поля зрения более чем половины опрошенных. Отдельного внимания заслуживает практически полное отсутствие педагогической поддержки: 97,62 % респондентов не получают учебных заданий, предполагающих использование ИИ-инструментов. Лишь 26 студентов (2,38 %) смогли назвать дисциплины, в рамках которых преподаватели целенаправленно интегрируют ИИ в учебный процесс. Таким образом, освоение ИИ происходит вне образовательного процесса и без методического сопровождения, что объясняет его стихийный характер. Дополнительный контекст дают различия, связанные с полом и ступенью обучения. Мужчины чаще женщин признают профессиональную ценность ИИ-навыков: 67 против 58,5 % (различие статистически значимо: χ² = 9,71; p = 0,008). Распределение ответов представлено в табл. 2. Таблица 2 / Table 2 Сопряженность пола и оценки профессиональной ценности ИИ, N и % от числа опрошенных / Association between the Gender and Perception of AI’s Professional Value, N and % of the Respondents Варианты ответа на вопрос: «Пригодятся ли Вам навыки работы с ИИ в профессиональной деятельности?» / Response options to the question: “Will AI skills be useful in your professional activity?” Пол / Gender Всего / Total N =1092 (100,0 %) Женский / Female N = 665 (60,9 %) Мужской / Male N = 427 (39,1 %) Да, пригодится / Yes, it will be useful 389 (58,5 %) 286 (67,0 %) 675 (61,8 %) Нет, не пригодится / No, it will not be useful 107 (16,1 %) 45 (10,5 %) 152 (13,9 %) затрудняюсь ответить / Difficult to answer 169 (25,4 %) 96 (22,5%) 265 (24,3 %) Всего / Total 665 (100,0 %) 427 (100,0 %) 1092 (100,0 %) Различия между ступенями обучения выражены слабее (табл. 3): магистранты несколько чаще используют ИИ при подготовке по специальным дисциплинам (58 против 53 %) и реже усматривают в нем угрозу качеству образования (36,4 против 29,6 %), однако последнее различие не достигает статистической значимости (χ² = 4,30; p = 0,117). Таблица 3 / Table 3 Сопряженность ступени обучения и мнения студентов о влиянии ИИ на качество образования, N и % от числа опрошенных / Association between the Level of Education and Students’ Opinions on the Impact of AI on the Quality of Education, N and % of the Respondents Варианты ответа на вопрос: «Считаете ли Вы, что использование нейросетей снижает качество образования?» / Response options to the question: “Do you think that the use of AI tools reduces the quality of education?” Ступень обучения / Level of Education Всего / Total N = 1092 (100,0%) Бакалавриат / Bachelors N = 905 (82,9%) Магистратура / Masters N = 187 (17,1%) Да, снижает / Yes, it reduces 427 (47,2 %) 74 (39,6 %) 501 (45,9 %) Нет, не снижает / No, it does not reduce 268 (29,6 %) 68 (36,4 %) 336 (30,8 %) затрудняюсь ответить / Difficult to answer 210 (23,2 %) 45 (24,1 %) 255 (23,4 %) Всего / Total 905 (100,0 %) 187 (100,0 %) 1092 (100,0 %) Третий исследовательский вопрос затрагивал мотивы и барьеры использования ИИ-инструментов. Доминирующим мотивом обращения к ИИ является экономия времени, которую назвали 53,66 % респондентов. Треть опрошенных (33,79 %) руководствуется исследовательским интересом, включая желание сравнить собственные возможности с возможностями машины. Нежелание выполнять работу самостоятельно как мотив указали лишь 4,76 % респондентов. Основным барьером выступает низкое качество генерируемого ИИ продукта, на которое указали 46 % опрошенных. Далее следуют этические сомнения (34 %), отсутствие технических возможностей (23 %) и отсутствие необходимых навыков (20 %). Последний барьер согласуется с приведенными выше данными о группе студентов, не использующих ИИ из-за неумения (6,87 %). Обсуждение результатов Главный итог исследования состоит в том, что готовность студентов к взаимодействию с ИИ носит асимметричный характер. Практическая составляющая этой готовности сформирована: большинство студентов имеет опыт использования ИИ-инструментов, применяет их прагматично и оценивает результаты сдержанно. Однако этическая и рефлексивная составляющие существенно отстают: систематическая проверка генерируемой информации остается редкой практикой, а осознание границ делегирования задач машине не сформировано. В терминах МЦК это означает, что практический компонент опережает в развитии этический и рефлексивный, тогда как именно последние определяют осознанность взаимодействия с ИИ. Полученная картина согласуется с общероссийскими данными и уточняет их. Зафиксированная нами доля студентов с опытом использования ИИ (62 %) занимает промежуточное положение между результатами 2023-2024 гг., когда ИИ использовала около половины студентов российских вузов (Алешковский и др., 2024), и данными 2025 г. по ведущим университетам (87 %) (Кузьминов и др., 2025), что соответствует периоду проведения нашего опроса. Существеннее, однако, содержательное совпадение: во всех трех исследованиях количественный рост использования не сопровождается ростом осознанности. Выявленный нами дефицит верификации (17 % проверя ющих) конкретизирует феномен «метакогнитивной лени» (Fan et al., 2025) и согласуется с наблюдением Л.К. Раицкой и Е.В. Тихоновой о том, что критическое отношение к генерируемому контенту не формируется само собой (Raitskaya, Tikhonova, 2025). Сопоставление с международными данными обнаруживает более консервативный профиль российских студентов: ежедневное использование ИИ у 9,52 % респондентов заметно ниже уровня, фиксируемого зарубежными обзорами, где ИИ выступает повседневным виртуальным помощником в большинстве проанализированных работ (Albadarin et al., 2024). Вместе с тем структура рисков оказывается универсальной: некритическое доверие к генерируемому контенту и угрозы академической честности отмечаются исследователями независимо от национального контекста (Alkaissi, McFarlane, 2023; Cotton et al., 2024). Особого обсуждения заслуживает почти полное отсутствие педагогической поддержки: 97,62 % студентов осваивают ИИ вне образовательного процесса. Показательно, что преподавательский срез того же исследовательского проекта, выполненный на выборке 230 преподавателей иностранных языков МГИМО, зафиксировал высокую декларируемую готовность к освоению нейросетевых инструментов: 76,25 % преподавателей выразили желание пройти соответствующее обучение, одновременно указывая на существенные ограничения технологии, включая неточность генерируемой информации (Конколь, Чигашева, 2024). Полагаем, что сопоставление двух срезов уточняет природу выявленного дефицита. Стихийно студенты осваивают ИИ не потому, что преподавателям не хватает мотивации. Не хватает институциональных механизмов, которые переводили бы эту мотивацию в систематическую педагогическую практику. Схожую ситуацию за пределами МГИМО описывает П.В. Сысоев. У преподавателей российских вузов он обнаружил существенный разрыв между осведомленностью об ИИ-технологиях и практикой их применения в работе (Сысоев, 2023). Международные наблюдения дополняют эту картину. Неготовность преподавателей к интеграции ИИ в учебный процесс исследователи связывают с недостатком навыков, ограниченным знакомством с технологией и недоверием к качеству генерируемого контента (Kohnke et al., 2023; Tlili et al., 2023). Как нам представляется, именно здесь находится главная точка приложения усилий, поскольку стихийное освоение ИИ студентами является не причиной, а следствием отсутствия системати ческой педагогической работы. Из полученных результатов вытекают практические следствия для образовательного процесса. Представляется целесообразным ввести в образовательные программы модуль по основам осознанной работы с ИИ. Такой модуль должен научить студентов проверять генерируемую информацию, понимать границы допустимого делегирования и ориентироваться в вопросах академической этики. Необходима методическая подготовка преподавателей, без которой интеграция ИИ в учебные задания останется эпизодической. Наконец, выявленная неосведомленность студентов об отечественных ИИ-платформах указывает на потребность в их представлении в учебном процессе наряду с зарубежными аналогами. Исследование имеет ряд ограничений. Стихийная выборка могла привести к завышению доли технологически активных студентов. Данные основаны на самоотчетах, которые могут расходиться с реальными практиками. Кроме того, часть респондентов могла сомневаться в анонимности опроса, что способно смещать ответы на чувствительные вопросы, в частности о проверке информации и мотивах использования ИИ. Исследование проведено в одном университете с выраженной гуманитарной спецификой, что ограничивает перенос выводов на вузы иного профиля. Наконец, опрос проведен в период стремительной эволюции генеративных моделей, поэтому зафиксированная картина отражает конкретный этап адаптации студентов к новой технологической реальности. Перспективы дальнейшей работы связаны с валидацией диагностического инструментария МЦК, лонгитюдным отслеживанием динамики готовности студентов и сравнительными исследованиями в вузах различного профиля. Заключение Проведенное исследование позволяет сформулировать ответы на поставленные исследовательские вопросы. Во-первых, готовность студентов к взаимодействию с ИИ-технологиями сформирована на базовом уровне. Две трети опрошенных имеют опыт использования ИИ-инструментов, применяют их прагматично и оценивают качество генерируемого контента сдержанно. Вместе с тем эта готовность остается, как мы полагаем, преимущественно практической. Регулярно обращается к нейросетям лишь каждый десятый студент, а знание доступных инструментов сводится к узкому набору зарубежных сервисов. Во-вторых, наиболее выраженные дефициты зафиксированы в этической и рефлексивной составляющих готовности. Систематическая верификация генерируемой информации остается практикой меньшинства. Если добавить к этому почти полное отсутствие учебных заданий с использованием ИИ, приходится заключить, что осознанное отношение к таким технологиям в образовательном процессе целенаправленно не формируется, а складывается стихийно. В-третьих, структура мотивов и барьеров указывает, на наш взгляд, на рациональный характер студенческих практик. Студенты обращаются к ИИ прежде всего ради экономии времени, а отказываются от него из-за неудовлетворенности качеством генерируемого продукта. Часть респондентов не пользуется нейросетями попросту из-за отсутствия навыков. В совокупности с данными о дефиците педагогической поддержки это и определяет направление образовательных мер. Представляется, что формирование осознанной работы с ИИ требует систематической интеграции в учебный процесс, включая подготовку преподавателей. Полученные результаты подтверждают продуктивность метацифровой компетентности как аналитического инструмента: именно ее компонентная структура позволила выявить асимметрию между практической и рефлексивно- этической составляющими готовности, которая при недифференцированном подходе осталась бы незамеченной. Развитие концепции в направлении разработки валидированного диагностического инструментария мы рассматриваем как перспективу дальнейшей работы.

About the authors

Marina M. Konkol

MGIMO University

Author for correspondence.
Email: m.konkol@my.mgimo.ru
ORCID iD: 0000-0003-1664-4153
SPIN-code: 2560-5346
Scopus Author ID: 60555674100
ResearcherId: A-6358-2016

Dr. Sci. (Pedagogics), Associate Professor, Associate Professor of the Department of English Language No. 3

76 Vernadskogo Prospekt, Moscow, 119454, Russian Federation

Marina A. Chigasheva

MGIMO University

Email: m.chigasheva@inno.mgimo.ru
ORCID iD: 0000-0003-1423-5479
SPIN-code: 2974-4313
Scopus Author ID: 57220201657
ResearcherId: AAP-4748-2020

Ph.D. in Linguistics, is Associate Professor, Professor of the Department of German Language, Head of the Language Training Department

76 Vernadskogo Prospekt, Moscow, 119454, Russian Federation

References

Supplementary files