Отвъд внедряването на ИИ: как университетите могат да съгласуват използването на ИИ с ученето и оценяването
California State University offers a useful case for understanding what happens after large-scale AI adoption in higher education. In 2025, CSU signed an 18 month agreement with OpenAI worth $17 million and provided access to AI tools across its 22 campuses. A systemwide survey of more than 94,000 students, faculty, and staff shows a clear pattern. AI is already embedded in everyday academic work. At the same time, institutions are still struggling to align teaching, assessment, and policy with this new reality.
The survey data point to widespread use. More than 84 percent of respondents report some level of engagement with AI tools, with ChatGPT as the most frequently used system. Staff report the highest perceived benefits, especially in administrative and support tasks. Students show moderate optimism but express concerns about fairness and accuracy. Faculty present the most complex picture. A majority report both positive and negative effects, which signals a transition phase rather than stable adoption.
The main issue is not access to technology. CSU has already solved that problem. The central challenge is instructional coherence. Students report inconsistent expectations across courses. In one class, AI use is encouraged. In another, it is restricted or unclear. This creates uncertainty and affects trust in assessment. At the same time, more than 70 percent of faculty express a need for structured training. This demand indicates that individual experimentation has reached its limit and requires institutional support.
Another critical finding relates to trust. Most students state they would not submit AI-generated work as their own, and a large majority believe AI outputs require human verification. Concerns extend beyond academic integrity. Respondents raise issues related to privacy, environmental impact, and long-term effects on employment. These concerns coexist with active use, which creates a tension between practice and perception.
The CSU case also shows limits of detection-based approaches. Students report anxiety about false positives in AI detection systems. This undermines confidence in assessment and shifts attention away from learning. The data suggest inability for AI detection to solve the core problem. Institutions need to rethink their definition and evaluation of evidence of learning in AI-supported environments.
For the University of Economics, this experience offers several concrete lessons. First, access to AI tools should be paired with clear institutional guidance. Each course should include explicit statements about acceptable use, disclosure, and verification. Second, faculty development should focus on discipline-specific practices and assessment redesign. Generic training sessions do not address the needs of different academic fields. Third, the university should move from detection to design. Oral exams, project-based work, and iterative assignments provide stronger evidence of learning than traditional written tasks alone. Fourth, building trust should become a priority. This includes transparent policies, support for ethical use, and clear communication with students. Finally, success should be measured through learning outcomes, student confidence, and faculty workload, not through tool adoption rates.
https://www.latimes.com/california/story/2026-04-01/csu-ai-survey-students-faculty
Калифорнийският държавен университет предлага полезен пример за разбиране на това какво се случва след мащабното внедряване на изкуствен интелект във висшето образование. През 2025 г. CSU подписва 18-месечно споразумение с OpenAI на стойност 17 милиона долара и осигурява достъп до ИИ инструменти във всичките си 22 кампуса. Системно проучване сред повече от 94 000 студенти, преподаватели и служители очертава ясна картина. ИИ вече е част от ежедневната академична работа. В същото време университетите все още срещат трудности при съгласуването на преподаването, оценяването и политиките с тази нова реалност.
Данните от проучването показват широко разпространена употреба. Над 84 процента от участниците съобщават за някаква степен на използване на ИИ инструменти, като ChatGPT е най-често използваната система. Служителите отчитат най-високи ползи, особено в административни и поддържащи дейности. Студентите показват умерен оптимизъм, но изразяват притеснения относно справедливостта и точността. Преподавателите представят най-сложната картина. Повечето от тях отчитат както положителни, така и отрицателни ефекти, което показва преходен етап, а не стабилизирано внедряване.
Основният проблем не е достъпът до технологии. CSU вече е решил този въпрос. Централното предизвикателство е педагогическата съгласуваност. Студентите съобщават за различни очаквания между отделните курсове. В един курс използването на ИИ се насърчава. В друг е ограничено или неясно. Това създава несигурност и влияе върху доверието в оценяването. В същото време над 70 процента от преподавателите изразяват нужда от структурирано обучение. Това търсене показва, че индивидуалното експериментиране достига своя предел и изисква институционална подкрепа.
Друга ключова констатация е свързана с доверието. Повечето студенти заявяват, че не биха представили генерирана от ИИ работа като своя, а голямо мнозинство смята, че резултатите от ИИ изискват човешка проверка. Притесненията излизат извън рамките на академичната почтеност. Участниците посочват проблеми, свързани с поверителността, екологичното въздействие и дългосрочните ефекти върху заетостта. Тези притеснения съществуват едновременно с активното използване, което създава напрежение между практика и възприятие.
Случаят на CSU показва и ограниченията на подходите, базирани на детекция. Студентите съобщават за тревожност, свързана с фалшиви положителни резултати при системите за разпознаване на ИИ. Това подкопава доверието в оценяването и измества фокуса от ученето. Данните показват, че детекцията не решава основния проблем. Университетите трябва да преосмислят как дефинират и оценяват доказателствата за учене в среда, подпомагана от ИИ.
За Икономическия университет този опит предлага няколко конкретни извода. Първо, достъпът до ИИ инструменти трябва да бъде съчетан с ясни институционални насоки. Всеки курс следва да включва конкретни правила за допустима употреба, деклариране и проверка. Второ, развитието на преподавателите трябва да се фокусира върху практики, специфични за отделните дисциплини, и върху преразглеждане на оценяването. Общите обучения не отговарят на нуждите на различните академични области. Трето, университетът трябва да премине от детекция към дизайн. Устни изпити, проектно-базирано обучение и поетапни задачи осигуряват по-надеждни доказателства за учене от традиционните писмени задания. Четвърто, изграждането на доверие трябва да бъде приоритет. Това включва прозрачни политики, подкрепа за етична употреба и ясна комуникация със студентите. Накрая, успехът трябва да се измерва чрез резултатите от ученето, увереността на студентите и натовареността на преподавателите, а не чрез нивото на използване на технологиите.
https://www.latimes.com/california/story/2026-04-01/csu-ai-survey-students-faculty