ИИ във висшето образование работи чрез педагогиката, какво означава това за бизнес училищата

Artificial intelligence is entering higher education at speed. The systematic review by Long et al. presents a clear conclusion; AI improves student engagement only when embedded in strong teaching methods. Tools alone do not change learning .

Across the analyses from ChatGPT, Gemini, and Claude, one consistent pattern emerges. Teaching methods function as the decisive layer. The PMAISE model captures this relationship by showing the influence of AI tools over learning through structured feedback, interactive scaffolding, and alignment with learner needs. When pedagogy is weak, AI amplifies those weaknesses rather than correcting them.

The review draws on 73 studies published between 2015 and 2025. Most focus on chatbots, adaptive systems, analytics, and simulations. The strongest effects appear in cognitive and emotional engagement. Behavioral engagement shows weaker or inconsistent results. This suggests a possibility for students to feel more involved and supported, but do not always participate more actively or persist longer.

Several limitations shape the interpretation of these findings. A great number of the studies are short-term and context-specific. A large proportion of publications appear in 2024, reflecting rapid experimentation rather than stable, validated practice. The evidence base focuses more on tools than on long-term learning outcomes, assessment validity, or faculty workload.

The limited representation of business and management research sharpens this issue. Only around 3 percent of the studies address business education. This signals a gap in the literature rather than a lack of relevance.

Some findings transfer directly. Business education already relies on case-based teaching, simulations, and group work. These formats align with the conditions under which AI shows the strongest effects. AI can support scenario analysis, financial modeling, market research, and communication tasks. Gemini’s analysis points to virtual simulations in entrepreneurship and role-play with generative AI as effective approaches that increase participation and emotional engagement.

Other findings require caution. Much of the evidence comes from structured domains with clear answers. Business education operates in contexts defined by ambiguity, trade-offs, and competing interests. Adaptive systems designed for correct answers may not support decision-making under uncertainty. Claude’s analysis identifies a deeper gap. Business education emphasizes professional identity, leadership, and ethical judgment. These dimensions are not captured within the engagement framework used in the review.

The combined analyses also highlight several risks. Students may engage with AI tools without engaging deeply with the subject matter. Personalization can reduce productive struggle. AI-generated feedback still requires human interpretation. Unequal access to technology can reinforce existing disparities. Faculty workload increases as courses require redesign, monitoring, and ethical oversight.

Additional concerns emerge from the broader synthesis. Infrastructure constraints affect adoption across contexts. The research base reflects geographic and institutional concentration. Governance, procurement, and accountability remain underdeveloped in most studies.

Curriculum and assessment require immediate attention.

• Cases should incorporate explicit AI use. Students should document AI impact on their analysis, assumptions, and conclusions.
• Assessment should prioritize reasoning and judgment. Students should justify decisions, evaluate risks, and critique AI outputs.
• Simulations and projects should integrate AI tools. These can include market scenarios, financial forecasting, and strategic planning, followed by evaluation of interpretation and decision quality.
• Faculty development should focus on pedagogical alignment. Training should address how AI influence over feedback, scaffolding, and collaboration.
• Ethics and governance should be embedded across core courses. Topics should include data use, bias, accountability, and organizational impact.
• AI deployment should begin in courses where feedback and formative assessment need improvement.
• Evaluation should rely on evidence of learning, particularly the quality of reasoning, rather than satisfaction metrics.

At the institutional level, universities should conduct audits of current AI use, define course-level policies, and establish review processes for AI tools. AI should be treated as a component of instructional design, not as an isolated technological addition.

The low representation of business research does not weaken the relevance of the review. It defines a research agenda. Business schools are positioned to examine AI-supported decision-making, teamwork, and leadership in complex environments. They can generate evidence on how AI affects judgment, not only performance.

Early action allows institutions to shape both practice and research. Delayed response leads to adoption of models developed for other disciplines, which may not align with the needs of business education.

Source:
Long, D. Y., Wang, S., Md Rashid, S., & Lu, X. T. (2026). Artificial intelligence in higher education: A systematic review of its impact on student engagement and the mediating role of teaching methods. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1648661

---

ИИ подобрява ангажираността на студентите само когато е интегриран в силни преподавателски методи. Самите инструменти не променят ученето.

В анализите на ChatGPT, Gemini и Claude се откроява един устойчив модел. Преподавателските методи функционират като решаващ слой. Моделът PMAISE описва тази връзка, като показва как ИИ влияе върху ученето чрез структурирана обратна връзка, интерактивно подпомагане и съобразяване с нуждите на обучаемите. При слаба педагогика ИИ усилва тези слабости, вместо да ги коригира.

Прегледът обхваща 73 изследвания, публикувани в периода 2015–2025 г. Повечето са насочени към чатботове, адаптивни системи, аналитични инструменти и симулации. Най-силни ефекти се наблюдават при когнитивната и емоционалната ангажираност. Поведенческата ангажираност показва по-слаби или непоследователни резултати. Това означава, че студентите могат да се чувстват по-включени и подкрепени, но не винаги участват по-активно или поддържат усилието си по-дълго.

Няколко ограничения влияят върху интерпретацията на резултатите. Голяма част от изследванията са краткосрочни и контекстуално обвързани. Значителен дял от публикациите са от 2024 г., което отразява бързо експериментиране, а не стабилизирана практика. Доказателствената база поставя по-силен акцент върху инструментите, отколкото върху дългосрочните резултати от ученето, валидността на оценяването или натоварването на преподавателите.

Ограниченото присъствие на изследвания в областта на бизнеса и управлението допълнително изостря проблема. Само около 3 процента от проучванията разглеждат бизнес образование. Това показва празнина в литературата, а не липса на приложимост.

Част от изводите могат да се пренесат директно. Бизнес образованието вече използва казусно обучение, симулации и екипна работа. Тези формати съответстват на условията, при които ИИ показва най-силен ефект. ИИ може да подпомага анализ на сценарии, финансово моделиране, пазарни изследвания и комуникационни задачи. Анализът на Gemini посочва виртуалните симулации в предприемачеството и ролевите игри с генеративен ИИ като ефективни подходи, които увеличават участието и емоционалната ангажираност.

Други изводи изискват внимание. Голяма част от доказателствата идват от структурирани области с ясни отговори. Бизнес образованието работи в условия на неопределеност, компромиси и конкуриращи се интереси. Адаптивните системи, създадени за правилни отговори, не подкрепят ефективно вземането на решения при несигурност. Анализът на Claude посочва по-дълбок проблем. Бизнес образованието поставя акцент върху професионалната идентичност, лидерството и етичната преценка. Тези аспекти не се отразяват в рамката за ангажираност, използвана в прегледа.

Обединеният анализ откроява и редица рискове. Студентите могат да взаимодействат с ИИ, без да задълбочават разбирането си по темата. Персонализацията може да намали продуктивното усилие. Генерираната от ИИ обратна връзка изисква човешка интерпретация. Неравният достъп до технологии може да засили съществуващите различия. Натоварването на преподавателите се увеличава поради необходимостта от преработка на курсове, наблюдение и етичен контрол.

Допълнителни предизвикателства се открояват на системно ниво. Инфраструктурните ограничения влияят върху внедряването. Изследванията са концентрирани в определени региони и институции. Управлението, обществените поръчки и отчетността остават слабо развити в повечето проучвания.

Учебните програми и оценяването изискват незабавно внимание.

Казусите трябва да включват изрично използване на ИИ. Студентите трябва да документират как ИИ влияе върху анализа, допусканията и заключенията им.

Оценяването трябва да поставя акцент върху аргументация и преценка. Студентите трябва да обосновават решения, да оценяват рискове и да анализират критично резултатите от ИИ.

Симулациите и проектите трябва да интегрират ИИ инструменти. Това включва пазарни сценарии, финансово прогнозиране и стратегическо планиране, последвани от оценка на интерпретацията и качеството на решенията.

Развитието на преподавателите трябва да се фокусира върху педагогическото съответствие. Обученията трябва да разглеждат как ИИ влияе върху обратната връзка, подпомагането и сътрудничеството.

Етиката и управлението трябва да се интегрират в основните курсове. Темите включват използване на данни, пристрастия, отчетност и организационно въздействие.

Внедряването на ИИ трябва да започне в курсове, където липсва достатъчна обратна връзка и формативно оценяване.

Оценяването трябва да се базира на доказателства за учене, с акцент върху качеството на мисленето, а не върху удовлетвореността.

На институционално ниво университетите трябва да извършат одит на текущото използване на ИИ, да дефинират политики на ниво курс и да създадат процеси за преглед на използваните инструменти. ИИ трябва да се разглежда като част от учебния дизайн, а не като отделна технологична добавка.

Ниското представяне на бизнес изследванията не намалява значението на прегледа. То очертава изследователска програма. Бизнес училищата имат възможност да изследват вземането на решения с подкрепа от ИИ, работата в екип и лидерството в сложни среди. Те могат да генерират доказателства за това как ИИ влияе върху преценката, а не само върху резултатите.

Ранните действия позволяват на институциите да оформят както практиката, така и изследванията. Забавянето води до прилагане на модели от други области, които не отговарят на нуждите на бизнес образованието.

Източник:
Long, D. Y., Wang, S., Md Rashid, S., & Lu, X. T. (2026). Artificial intelligence in higher education: A systematic review of its impact on student engagement and the mediating role of teaching methods. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1648661