Внедрение технологий искусственного интеллекта в образовательный процесс: управленческие вызовы

В статье рассмотрены фундаментальные междисциплинарные вопросы и ключевые управленческие вызовы, возникающие в ситуации необходимости принятия решений о легализации и внедрении технологий и сервисов искусственного интеллекта в образовательный процесс. Цель исследования – оценить возможные эффекты, преимущества и риски внедрения технологий искусственного интеллекта на основе больших языковых моделей в образовательный процесс (на уровне учебной дисциплины). Оригинальным теоретическим подходом авторов является использование теории ассамбляжей, разработанной Мануэлем Деланда. Подход позволяет помещать в модель коммуникации всех акторов независимо от их материального носителя, что необходимо в исследуемой ситуации, когда коммуникация становится гетерархичной и не только человеческой. На основе данной теории разработаны новые методические подходы для систематизации профессиональных задач преподавателя, который действует в гибридной (phygital) реальности совместно с технологиями ИИ. Проводится анализ соответствия функциональных возможностей технологий искусственного интеллекта задачам, стоящим перед преподавателем, а также предлагаются методы оценки эффективности использования ТИИ. На примере авторской разработки структуры учебного курса показано, как именно трансформируются задачи преподавателя при разработке учебного контента и реализации синхронного учебного курса совместно с ТИИ. Приводится классификация подходов, позволяющих более эффективно использовать большие языковые модели для решения образовательных задач: промпт-инжиниринг, RAG, LoRA, мультиагентный подход. Анализируются процессы цифровой трансформации высшего образования, обусловленные внедрением технологий искусственного интеллекта (ИИ). Основное внимание уделяется управленческим аспектам интеграции ИИ на различных уровнях образовательной организации. Публикация будет интересна менеджерам системы высшего образования, ученым и педагогам, занимающимся вопросами цифровизации обучения и цифровой трансформации вузов. 

1. Brown N. B. Enhancing Trust in LLMs: Algorithms for Comparing and Interpreting LLMs //arXiv preprint. 2024. 15 p.

2. Pappachan P. et al. Transparency and Accountability //Challenges in Large Language Model Development and AI Ethics. IGI Global, 2024. P. 178-211.

3. Гаркуша Н. С., Городова Ю. С. Педагогические возможности ChatGPT для развития когнитивной активности студентов // Профессиональное образование и рынок труда. 2023. Т. 11, № 1. С. 6-23. https://doi.org/10.52944/ PORT.2023.52.1.001

4. Резаев А. В., Трегубова Н. Д. Философия общения и искусственный интеллект: опыт сравнительного анализа дискуссий в отечественной и зарубежной литературе // Эпистемология и философия науки. 2024. Т. 61, № 2. С. 134-156.

5. Лешкевич Т. Г. Искусственный интеллект в контексте философского осмысления // Вопросы философии. 2023. № 5. С. 50-60.

6. Eden C. A. et al. Integrating AI in education: Opportunities, challenges, and ethical considerations // Magna Scientia Advanced Research and Reviews. 2024. Vol. 10, nr 2. P. 6-13.

7. Chen H. The ethical challenges of educational artificial intelligence and coping measures: A discussion in the context of the 2024 World Digital Education Conference // Science Insights Education Frontiers. 2024. Vol. 20, nr 2. P. 3263-3281.

8. Черных Н. А. Обзор, концепции, точки зрения к возможности правового регулирования технологии искусственного интеллекта // Бюллетень науки и практики. 2024. Т. 10, № 5. С. 519-525. https://doi.org/10.33619/2414-2948/102/67

9. Луман Н. Социальные системы. Очерк общей теории. СПб.: Наука. 2007. 648 с.

10. Кастельс М. Информационная эпоха: экономика, общество и культура. М.: ГУ ВШЭ, 2000. 608 c.

11. Латур Б. Пересборка социального: введение в акторно-сетевую теорию. М.: Изд. дом Высшей школы экономики, 2014. 384 с.

12. Каллон М. Акторно-сетевая теория. М.: Высшая школа экономики, 2014. 10 с.

13. Knorr Cetina K. The Scientist as an Analogical Reasoner: A Critique of the Metaphor Theory of Innovation // Social Process of Scientific Investigation. Dordrecht: Reidel, 1981. P. 49-67.

14. Хабермас Ю. Моральное сознание и коммуникативное действие. СПб.: Наука, 2001. 380 с.

15. Деланда М. Новая философия общества: Теория ассамбляжей и социальная сложность. Пермь : Гиле Пресс, 2018. 170 с.

16. Глуховский А. С., Дурнев А. Д., Чирва Д. В. Распределенная моральная ответственность в сфере искусственного интеллекта // Этическая мысль. 2024. Т. 24, №. 1. С. 129-143.

17. Vaswani A. Attention is all you need // Advances in Neural Information Processing Systems. 2017. Vol. 30. 11 p.

18. Dubey A. et al. The llama 3 herd of models // arXiv preprint. 2024. 92 p.

19. Team G. et al. Gemini: a family of highly capable multimodal models // arXiv preprint. 2023. 90 p.

20. Brown T. B. Language models are few-shot learners // arXiv preprint. 2020. 75 p.

21. Wei J. et al. Chain-of-thought prompting elicits reasoning in large language models // Advances in neural information processing systems. 2022. Vol. 35. P. 24824-24837.

22. Zhang Yu. et al. Siren’s song in the AI ocean: a survey on hallucination in large language models // arXiv preprint. 2023. 32 p.

23. Lewis P. et al. Retrieval-augmented generation for knowledge-intensive nlp tasks // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 9459-9474

24. Hu E. J. et al. Lora: Low-rank adaptation of large language models // arXiv preprint. 2021. 24 p.

25. Wu Q. et al. Autogen: Enabling next-gen LLM applications via multi-agent conversation framework // arXiv preprint. 2023. 28 p.

26. Wang K. et al. Adapting LLM agents with universal feedback in communication // ICML 2024 Workshop on Foundation Models in the Wild. 2024. 18 p.

27. Wang A. Glue: A multi-task benchmark and analysis platform for natural language understanding // arXiv preprint. 2018. 20 p.

28. Shavrina T. et al. RussianSuperGLUE: A Russian language understanding evaluation benchmark // arXiv preprint. 2020. 10 p.

29. Hashemi H. et al. LLM-Rubric: A Multidimensional, Calibrated Approach to Automated Evaluation of Natural Language Texts // arXiv preprint. 2024. 29 p.

30. Jung J., Brahman F., Choi Ye. Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement // arXiv preprint. 2024. 25 p.