Опасенията на преподавателите относно генеративния ИИ трябва да оформят университетската стратегия за ИИ.

Podcast

Подкаст

Generative AI is already part of academic work. Students use it to search, summarize, translate, draft, calculate, code, and prepare assignments. Faculty are now expected to respond quickly, often without enough time, guidance, or institutional support.
This is why faculty concerns should not be dismissed as resistance to change. They should be treated as important evidence for how universities design AI policies, faculty development, and assessment practices.
A recent EDUCAUSE Review article by Henry Yoon, “Listening to Skepticism: What Faculty Concerns About Generative AI Reveal,” makes this point clearly. Based on listening sessions with sixteen faculty members at Augsburg University, the article shows that skepticism toward generative AI is not mainly about fear of technology. It reflects deeper questions about learning, trust, academic integrity, workload, and the changing role of the instructor
For faculty at the University of Economics Varna, these questions are already practical. How should students use AI in economics, finance, accounting, marketing, management, tourism, informatics, or public administration? When does AI help students understand a concept better, and when does it allow them to avoid the intellectual effort required for learning? How should instructors assess student work when AI tools can produce polished text, solve problems, generate code, or summarize sources?
The EDUCAUSE article reveals faculty concerns focus on student learning rather than on the tools themselves. Faculty worry about cognitive offloading, critical thinking, metacognition, academic integrity, and authentic student voice. These concerns are central to higher education. If students rely on AI to complete the thinking process for them, the final product may look acceptable, but the learning process may become weaker.
This distinction matters. Universities should not respond only with technical training or demonstrations of new AI tools. Faculty do need to understand the working of tools such as ChatGPT, Claude, Gemini, Copilot, Perplexity, or NotebookLM. But tool familiarity is not sufficient anymore. The more important task is to help instructors decide where AI supports learning and where it interferes with it.
One useful direction is assignment-level redesign. Instead of asking faculty to redesign an entire course, teaching and learning support units can help instructors revise one assignment at a time. A revised assignment can clarify whether AI may be used for brainstorming, translation, editing, coding, data analysis, source discovery, or feedback. It can also require students to explain how they used AI and what decisions they made independently.
Another important step is disciplinary discussion. AI use in a finance assignment is different from AI use in an academic writing task, a marketing campaign analysis, a programming exercise, or a tourism case study. Each department should discuss which uses of AI align with its learning outcomes and which uses create risks. This would move the conversation from general rules to meaningful academic practice.
Faculty also need clear student disclosure templates. Students should be able to state whether they used AI, for what purpose, and how they checked the output. This would help instructors distinguish between responsible support, inappropriate delegation, and possible academic misconduct.
Small classroom pilots can also help. Faculty can ask students to critique AI-generated explanations, compare AI summaries with original sources, identify hallucinated references, test statistical outputs, or reflect on how AI affected their thinking. Such activities turn AI into an object of learning rather than a hidden shortcut.
The article’s most useful message is that listening to faculty is a strategic act. Faculty skepticism can help universities avoid shallow AI adoption. It can reveal where policies are unclear, where students need guidance, where instructors need support, and where assessment practices must change.
At the University of Economics Varna, the next stage of the AI conversation should be practical, discipline-specific, and open. Generative AI will continue to affect teaching, learning, research, and assessment. The question is how to respond in a way that protects academic judgment and supports meaningful learning.
We invite faculty to share their impressions, concerns, anxieties, and classroom experiences with generative AI. Which uses seem helpful? Which uses create problems? Where do students need clearer guidance? Where do instructors need support? These questions should guide the next steps in our institutional conversation.

Генеративният ИИ вече е част от академичната работа. Студентите го използват, за да търсят, обобщават, превеждат, създават чернови, изчисляват, програмират и подготвят задания. От преподавателите сега се очаква да реагират бързо, често без достатъчно време, насоки или институционална подкрепа.
Затова опасенията на преподавателите не трябва да се отхвърлят като съпротива срещу промяната. Те трябва да се разглеждат като важни данни за това как университетите разработват политики за ИИ, програми за развитие на преподавателите и практики за оценяване.
Скорошна статия в EDUCAUSE Review от Henry Yoon, „Listening to Skepticism: What Faculty Concerns About Generative AI Reveal“, представя ясно този аргумент. Въз основа на разговори с шестнадесет преподаватели от Augsburg University статията показва, че скептицизмът към генеративния ИИ не е свързан основно със страх от технологиите. Той отразява по-дълбоки въпроси за ученето, доверието, академичната почтеност, работното натоварване и променящата се роля на преподавателя.
За преподавателите в Икономически университет Варна тези въпроси вече са практически. Как студентите трябва да използват ИИ в икономика, финанси, счетоводство, маркетинг, мениджмънт, туризъм, информатика или публична администрация? Кога ИИ помага на студентите да разберат по-добре дадена концепция и кога им позволява да избегнат интелектуалното усилие, необходимо за учене? Как преподавателите трябва да оценяват студентска работа, когато ИИ инструменти могат да създават добре оформен текст, да решават задачи, да генерират код или да обобщават източници?
Статията на EDUCAUSE показва, че опасенията на преподавателите са насочени повече към ученето на студентите, отколкото към самите инструменти. Преподавателите се тревожат за когнитивното прехвърляне на усилие към ИИ, критическото мислене, метакогницията, академичната почтеност и автентичния студентски глас. Тези въпроси са в основата на висшето образование. Ако студентите разчитат на ИИ да извърши мисловния процес вместо тях, крайният продукт може да изглежда приемлив, но самият процес на учене може да стане по-слаб.
Това разграничение е важно. Университетите не трябва да отговарят само с технически обучения или демонстрации на нови ИИ инструменти. Преподавателите наистина трябва да разбират как работят инструменти като ChatGPT, Claude, Gemini, Copilot, Perplexity или NotebookLM. Но познаването на инструментите вече не е достатъчно. По-важната задача е да се помогне на преподавателите да решават къде ИИ подкрепя ученето и къде му пречи.
Една полезна посока е преработването на конкретни задания. Вместо от преподавателите да се очаква да преработят цял курс, звената за подкрепа на преподаването и ученето могат да им помогнат да преразгледат по едно задание. Преработеното задание може ясно да посочи дали ИИ може да се използва за генериране на идеи, превод, редактиране, програмиране, анализ на данни, откриване на източници или обратна връзка. То може също да изисква от студентите да обяснят как са използвали ИИ и кои решения са взели самостоятелно.
Друга важна стъпка е дисциплинарният разговор. Използването на ИИ във финансова задача е различно от използването му в академично писане, анализ на маркетингова кампания, упражнение по програмиране или казус по туризъм. Всяка катедра трябва да обсъди кои употреби на ИИ съответстват на нейните учебни цели и кои създават рискове. Така разговорът ще се премести от общи правила към смислена академична практика.
Преподавателите имат нужда и от ясни шаблони за деклариране на използването на ИИ от студентите. Студентите трябва да могат да посочат дали са използвали ИИ, с каква цел и как са проверили получения резултат. Това би помогнало на преподавателите да разграничават отговорната подкрепа, неподходящото прехвърляне на работа към ИИ и възможните случаи на академична некоректност.
Малки пилотни дейности в учебната аудитория също могат да бъдат полезни. Преподавателите могат да възлагат на студентите да критикуват обяснения, генерирани от ИИ, да сравняват ИИ резюмета с оригинални източници, да откриват измислени библиографски препратки, да проверяват статистически резултати или да разсъждават върху това как ИИ е повлиял на мисленето им. Такива дейности превръщат ИИ в обект на учене, а не в скрит пряк път.
Най-полезното послание на статията е, че вслушването в преподавателите е стратегически акт. Скептицизмът на преподавателите може да помогне на университетите да избегнат повърхностното внедряване на ИИ. Той може да покаже къде политиките са неясни, къде студентите имат нужда от насоки, къде преподавателите имат нужда от подкрепа и къде практиките за оценяване трябва да се променят.
В Икономически университет Варна следващият етап от разговора за ИИ трябва да бъде практически, дисциплинарно ориентиран и отворен. Генеративният ИИ ще продължи да влияе върху преподаването, ученето, научните изследвания и оценяването. Въпросът е как да се отговори по начин, който защитава академичната преценка и подкрепя смисленото учене.
Каним преподавателите да споделят своите впечатления, притеснения, тревоги и опит от учебната аудитория, свързани с генеративния ИИ. Кои употреби изглеждат полезни? Кои създават проблеми? Къде студентите имат нужда от по-ясни насоки? Къде преподавателите имат нужда от подкрепа? Тези въпроси трябва да насочват следващите стъпки в нашия институционален разговор.