ИИ във висшето образование преминава от етап на експериментиране към вземане на институционални решения.

Plamen MILTENOFF

Podcast

Подкаст

In her Forbes article “7 AI Decisions That Will Define Higher Education in 2026,” published on December 26, 2025, Aviva Legatt argues that university leaders face a different set of questions from those that dominated the first years of generative AI. The central issue is no longer whether universities should use AI, or which chatbot performs best. Institutions need to decide the AI fit into infrastructure, governance, curriculum, assessment, workforce preparation, institutional workflows, and student opportunity. (Forbes) Legatt organizes this challenge around seven questions: 1. What governance evidence can we show to funders, accreditors, and stakeholders? 2. What AI fluency outcomes do students graduate with, and how do we teach them? 3. What assessment formats will remain credible in an AI-native environment? 4. Are our workforce pathways real-time, skills-based, and aligned to labor-market volatility? 5. Where will AI agents operate, and what permissions will they have? 6. How do we prevent an AI opportunity gap, where only some students access high-quality AI support? 7. What is our AI infrastructure model and ownership structure?(Forbes) These questions provide an interesting lens to revisit the information provided by this blog. During 2026, numerous blog posts approached these issues from different directions. Some discussed AI literacy and AI fluency. Others examined assessment, institutional transformation, agentic AI, research workflows, faculty development, infrastructure, governance, student learning, or workforce preparation. Placed next to Legatt’s seven decisions, these posts start to look less like separate conversations and more like elements of the same institutional agenda. What is our AI infrastructure model and ownership structure? The first decision asks universities to think beyond buying licences for ChatGPT, Claude, Gemini, Copilot, or another platform. The institutional question concerns the architecture behind AI use. Which models will the university provide? Will AI services depend entirely on commercial vendors? Can some systems run on institutional infrastructure? Where will data be stored? Which university systems will connect to AI? Who controls access? What happens when a provider changes its service, prices, policies, data practices, or availability? The decision therefore connects technology procurement with institutional control and resilience. AI increasingly becomes part of the environment through which students learn, faculty teach, researchers work, and administrators manage institutional processes. Infrastructure choices can consequently influence privacy, security, continuity, costs, academic freedom, research independence, and the university’s dependence on external providers. (Forbes) >>> Related blog posts >>> Why AI Governance Matters More Than Buying the Latest AI Model This post starts with a question familiar to many organizations: Which model should we buy? It argues that this question comes too early. AI creates sustainable institutional value only when governance, data quality, security, ethical oversight, staff development, quality assurance, and monitoring support the technology. The language model forms one part of a larger institutional system. Selecting the strongest model does little if the university lacks processes for deciding where AI should operate, who verifies outputs, who owns risks, and how systems are monitored. The post therefore shifts attention from model comparison toward organizational readiness. (Science and Research) AI Is Changing Universities. The Real Challenge Is Institutional Transformation. This post extends the governance discussion by arguing that AI should no longer sit mainly within an IT agenda. AI affects teaching, research, assessment, administration, student services, academic work, and strategic planning. The article discusses university transformation through questions of institutional purpose, leadership and organizational capability. Its central point is that institutional design matters more than the choice between individual AI tools. Governance structures, curriculum, professional development, assessment policies, research practices, and organizational culture determine whether AI adoption creates long-term value. (Science and Research) From AI Co-Workers to AI Infrastructure: What Ethan Mollick and Carlo Iacono Teach Us About the Future of Higher Education This post brings infrastructure dependence directly into the discussion. It contrasts the increasing capabilities of autonomous AI systems with the risks of relying on systems controlled by vendors, governments, cloud providers, and regulators. Universities may integrate AI into essential workflows without owning the underlying capability. The post therefore introduces the idea of “infrastructure literacy.” Institutions need to understand vendor dependence, data location, service continuity, regulatory intervention, and the possibility of losing access to systems on which academic workflows have become dependent. It recommends auditing AI dependencies, considering multi-provider approaches, and including AI within business continuity planning. (Science and Research) AI in Higher Education: What UE Varna Can Learn from the University of Miami and Other Universities This post examines institution-wide approaches to AI integration. The University of Miami’s “Miami Method,” alongside examples from Arizona State University, Harvard and Stanford, illustrates a move from providing access to individual tools toward developing shared institutional capability. The post emphasizes coordinated strategy, faculty development, curriculum integration, responsible use, assessment redesign, and interdisciplinary collaboration. Its recommendation for UE Varna is clear: connect teaching, research and administration through an institutional AI strategy rather than allowing AI adoption to develop as a collection of isolated initiatives. (Science and Research) What governance evidence can we show to funders, accreditors, and stakeholders? Synopsis of the Forbes decision Having an AI policy is increasingly different from demonstrating AI governance. Legatt’s second question focuses on evidence. Universities may tell students and faculty to use AI responsibly, but external stakeholders can increasingly ask how the institution knows this happens. Who makes decisions about AI? Which uses are permitted? How are high-risk applications identified? Which systems have institutional approval? Who reviews them? How are incidents documented? What training does the institution provide? How does the university monitor AI use in sensitive processes? This moves governance from statements of principle toward documented institutional practice. Policies need decision rights, review mechanisms, risk classifications, inventories of AI applications, accountability structures and evidence of implementation. (Forbes) >>> Related blog posts >>> From AI Policy to AI Fluency in Universities This post treats AI as a system challenge affecting policy, pedagogy, trust, assessment, equity and human agency. Drawing together UNESCO guidance, postgraduate education guidance and discussions of agentic AI, the article argues that policy without practice stays abstract, while practice without policy becomes inconsistent. It recommends layered policies, clear examples of acceptable use, disclosure expectations, assessment focused on reasoning, professional development, boundaries for AI autonomy, and regular review based on evidence. Governance therefore becomes a continuing institutional process rather than a policy document published once and left unchanged. (Science and Research) Why AI Governance Matters More Than Buying the Latest AI Model The governance post also belongs strongly under this second decision because it asks institutions to define responsibilities throughout the AI lifecycle. Governance involves data, system ownership, quality expectations, monitoring, security, risk, staff capability and escalation. This perspective supports Legatt’s emphasis on evidence. An institution should be able to explain not only which AI systems it uses, but how they were evaluated, what risks were identified, who supervises them, and what happens when performance falls below acceptable standards. (Science and Research) State the Boundaries: Why Smarter AI Agents Need Clearer University Rules This post makes governance operational at the level of individual AI workflows. As AI systems become capable of searching files, using tools, modifying documents and completing multistep tasks, instructions need to specify goals, permitted resources, prohibited actions, approval points, evidence requirements and stopping conditions. The article gives a simple example: asking an agent to “improve this report” leaves too much room for interpretation. Asking the system to evaluate the report, propose changes, refrain from modifying the original, and stop for approval creates a traceable boundary between analysis and action. This approach translates governance principles into observable practice. (Science and Research) What AI fluency outcomes do students graduate with, and how do we teach them? Legatt’s third question moves the conversation from access to capability. Students already use AI. The differentiating question for universities therefore becomes whether graduates know how to use AI critically, professionally and responsibly. AI fluency involves more than prompting. Students need to evaluate AI outputs, verify evidence, recognize limitations, apply disciplinary knowledge, decide when AI use is appropriate, communicate their reasoning and remain responsible for decisions. The challenge for universities is to translate these broad ambitions into curriculum. What should an economics graduate know about AI-assisted forecasting? What should a marketing graduate know about AI-supported customer analysis? What should a researcher know about AI-generated citations? What should every graduate know about bias, privacy, verification and disclosure? AI fluency therefore needs defined learning outcomes, progression across programs and observable evidence of competence. (Forbes) >>> Related blog posts >>> From School AI Literacy to University AI Fluency: Why Europe’s New AI Literacy Framework Matters for Higher Education This post examines the European Commission and OECD AI Literacy Framework and asks what it means for universities. Students entering higher education may increasingly arrive with foundational experience in understanding, evaluating and working with AI. Universities therefore need to move beyond introductory awareness toward disciplinary application, professional judgment, ethical reasoning and research capability. The post argues that AI literacy should be integrated across disciplines. Business, economics, education, law and other fields need different applications of shared AI capabilities. It also links AI fluency with assessment and faculty development. (Science and Research) Beyond One Definition of AI Literacy: What Universities Can Learn from the UNESCO, EU, and Stanford Frameworks This post compares three frameworks and shows that they answer different educational questions. UNESCO identifies competencies students should develop. The European Commission and OECD framework describes how AI literacy can develop progressively. Stanford focuses more directly on the functional, ethical, rhetorical and pedagogical decisions educators make when working with generative AI. Read together, the frameworks suggest a continuum. Schools can establish foundations, while universities develop disciplinary expertise, professional judgment and research capability. This offers institutions a starting point for defining graduate AI outcomes rather than reducing AI literacy to tool training. (Science and Research) From Prompting to Judgment: What the New AI Fluency Projects Mean for Higher Education This article turns AI fluency into classroom practice. Its main argument is that the interesting educational work happens after AI produces an answer. Students need to determine what to trust, what to reject, what to verify and what to revise. Suggested activities include source mapping, decision logs, AI critique, workflow documentation and public defence of final products. A student’s ability to explain decisions becomes more important than the sophistication of the original prompt. The post therefore offers a practical answer to Legatt’s question about teaching AI fluency: design activities where judgment becomes visible. (Science and Research) 6 AI Fluency Projects That Make Student Thinking Visible This post provides six small learning designs through which instructors can observe AI fluency. Students identify incorrect AI claims, improve weak prompts, distinguish human and AI contributions, choose among AI-generated alternatives and explain their reasoning. Each task requires reflection, verification or justification. The educational focus moves from whether AI was used toward how students thought while using it. This approach makes abstract outcomes such as critical evaluation and responsible use easier to teach and assess. (Science and Research) Build Your Own AI Fluency Challenges This post extends the previous projects by asking faculty to adapt AI-fluency activities to their disciplines. Business students might evaluate competing AI-generated management strategies. Tourism students might identify and correct inaccurate destination information. Marketing students might refine prompts while explaining why changes improve the result. The common principle is that AI fluency should appear through observable actions: evaluation, verification, explanation, iteration and decision-making. (Science and Research) What assessment formats will remain credible in an AI-native environment? Generative AI puts pressure on a basic assumption behind university assessment: the submitted product represents the student’s own capability. An essay, report, presentation, spreadsheet, computer program or case analysis can now be produced with substantial AI assistance. A polished final product therefore provides less evidence about what the student independently understands. Legatt’s fourth decision asks universities to identify assessment formats that continue to generate credible evidence of learning. This does not necessarily require excluding AI. Institutions may need combinations of secure assessments and AI-enabled assessments. Oral defence, live problem-solving, drafts, revision histories, reflective commentary, project work, process documentation and independent tasks can provide different forms of evidence. The central issue shifts from detecting AI toward establishing what counts as valid evidence of learning. (Forbes) >>> Related blog posts >>> Validity of Assessment Design Lessons This post starts directly from assessment validity. Before universities ask how to stop inappropriate AI use, they need to ask whether an assessment measures the learning outcomes it claims to measure. Drawing on the Quality Assurance Agency’s work and Phillip Dawson’s interpretation of assessment validity, the article shifts attention from isolated assignments toward program-level assessment design. The arrival of generative AI exposes weaknesses that already existed. If a task measures polished production rather than understanding, reasoning or transfer, AI makes the problem easier to see. (Science and Research) Assessment, Academic Integrity, and AI: From Tyler to Dawson This post connects current AI questions with established assessment theory. Tyler emphasizes alignment between educational objectives and evaluation. Wiggins and McTighe focus on evidence of understanding and transfer. Dawson brings the discussion into an environment where AI can produce apparently competent academic outputs. Together, these perspectives suggest that assessment should begin with the question “What evidence would convince us that this student has learned?” rather than “How do we prevent this student from using AI?” (Science and Research) Beyond Adoption: How Universities Can Align AI Use with Learning and Assessment The California State University case illustrates what happens after AI access becomes widespread. More than 84 percent of respondents in the systemwide survey reported some engagement with AI, while faculty and students still faced inconsistent expectations across courses. The post argues that providing AI access without aligning curriculum, assessment and policy creates uncertainty. It recommends explicit course guidance, discipline-specific faculty development, oral exams, iterative assignments, project-based work, disclosure and verification. The institution should measure success through learning outcomes and trust rather than adoption rates. (Science and Research) From Control to Evidence of Learning: Assessment Strategies in the Age of GenAI This post examines the University of Sydney’s response to assessment reliability. Instead of concentrating on detecting AI-assisted cheating, the university developed a two-lane approach. Some assessments require students to demonstrate capability under secure conditions, while others permit AI use but require students to explain and defend how they used it. The underlying principle is important: universities need evidence that students can perform independently and evidence that they can work responsibly with AI. Both capabilities may matter in an AI-enabled professional environment. (Science and Research) Are our workforce pathways real-time, skills-based, and aligned to labor-market volatility? AI is changing professional work faster than traditional curriculum revision processes usually operate. Legatt’s fifth question therefore addresses the relationship between higher education and employment. Universities need to understand which tasks AI changes, which capabilities employers increasingly value, and how quickly programs can respond. This raises a difficult issue. Teaching students a particular AI product may have limited value if the product changes before graduation. More durable capabilities may include analytical thinking, verification, problem framing, communication, domain expertise, ethical judgment, systems thinking and the ability to coordinate AI-supported workflows Universities also need faster ways to observe changes in professional practice and translate them into curricula, continuing education, microcredentials, career services and partnerships with employers. (Forbes) >>>Related blog posts >>> Agentic Fluency and the Future of Expertise in the Age of Artificial Intelligence This article asks what universities should teach when AI increasingly performs tasks previously associated with professional expertise. It builds on Ray Schroeder’s idea of agentic fluency and identifies metacognitive agility, ethical discernment, empathetic leadership and systems thinking as increasingly important capabilities. The post also identifies a structural problem: curriculum redesign may take 12 to 18 months while AI capability cycles move much faster. Universities therefore need faster mechanisms for monitoring changes in professional practice and adapting learning experiences. (Science and Research) Technology, AI, and Student Experience: What Universities Need to Change Today Based on the 2026 EDUCAUSE Students and Technology Report, this post identifies a mismatch between student perceptions and emerging workforce needs. Only 22 percent of surveyed students considered AI skills important to their future careers, while only 36 percent felt prepared to use AI tools. The post argues for stronger alignment between learning, technology and future work. Students need analytical thinking, communication and problem-solving alongside intentional use of digital and AI systems. Universities therefore have a role in making emerging professional expectations visible before students enter the labor market. (Science and Research) AI Is Auditing Business Schools: What Should UE Varna Learn? This post develops the workforce question specifically for business education. Michael G. Jacobides’s argument asks what business schools should teach when AI makes fluent reports, case analyses, market comparisons and strategic recommendations cheap to produce. The answer focuses on capabilities whose value does not depend on producing polished text: framing ambiguous problems, assessing conflicting evidence, challenging assumptions, making decisions under uncertainty and accepting responsibility for consequences. AI therefore acts as a test of curriculum relevance. If an assignment mainly rewards something AI performs easily, business schools need to reconsider what competence the assignment represents. (Science and Research) AI Will Not Replace Faculty, It Will Redefine Their Value Although this post focuses on university work rather than graduate employment alone, it contributes another dimension to the workforce decision. AI affects roles built around repeatable workflows more strongly than roles requiring context, judgment, mentoring, interpretation and responsibility. The post argues that the useful question is less about which jobs disappear and more about which capabilities become more valuable. AI orchestration, workflow design, tool evaluation, ethical oversight and outcome supervision become increasingly relevant across teaching, administration, libraries and student services. (Science and Research) Where will AI agents operate, and what permissions will they have? The move from chatbots to AI agents changes the governance problem. A chatbot mainly generates information. An agent may search institutional systems, retrieve files, use software, communicate with other systems, modify information, initiate workflows or complete multistep tasks. Universities therefore need to decide where agents can operate and what they are allowed to do. An agent assisting students with syllabus questions represents a different level of risk from one making recommendations about financial aid, admissions, assessment, research data or academic progression. Permissions matter. Institutions need to establish which data an agent can access, which actions it can execute, which decisions require human approval, what logs must be retained, and who remains accountable when something goes wrong. (Forbes) >>> Related blog posts >>> State the Boundaries: Why Smarter AI Agents Need Clearer University Rules This is perhaps the most direct connection with Legatt’s sixth decision. The post argues that increasingly capable agents need operating boundaries rather than broad prompts. Universities should define goals, permitted resources, prohibited actions, approval checkpoints, evidence requirements and stopping conditions. A system might be allowed to assess a document but prohibited from changing it. It might draft an email but lack permission to send it. It might analyse student data but require human approval before making a recommendation. The distinction between advice and action becomes central to safe agent deployment. (Science and Research) AI Agents in Higher Education: Between Administrative Efficiency and Pedagogical Challenges This post examines early areas of agent deployment such as transcript processing, financial aid tracking, LMS automation and advising support. Administrative functions attract early experimentation because they involve high-volume, repetitive workflows with measurable efficiency benefits. The article warns, though, against assuming administrative automation is inherently low risk. Errors involving academic records, financial aid or advising can affect students substantially. Effective deployment therefore needs governance, human oversight, staff training and clear accountability alongside the technology. (Science and Research) AI Agents vs. Agentic AI: Why the Difference Matters for Higher Education This article provides conceptual foundations for institutional decisions about agents. It distinguishes individual AI agents, systems performing particular tasks on behalf of users, from agentic AI, a broader approach involving planning, tool use, memory, orchestration, evaluation and adaptation across workflows. The distinction matters because universities increasingly need to teach students and staff to understand systems rather than isolated prompts. For business education, this means learning to design, supervise and evaluate AI-supported processes. (Science and Research) Building AI Agents for Teaching and Research: Three Workshop Paths for UE Varna This post translates the agent discussion into faculty and researcher development. It proposes workshops ranging from introductory agent concepts to research agents and practical no-code agent creation. Examples include agents that retrieve course information, compare academic papers, work with institutional documents or gather economic indicators from trusted databases. Across all three workshop models, human control stays explicit. Faculty define objectives and sources, establish rules, review outputs and remain accountable for academic decisions. (Science and Research) How do we prevent an AI opportunity gap, where only some students access high-quality AI support? The final Forbes decision may become one of the most important. AI can provide tutoring, explanations, feedback, language support, research assistance and help with complex tasks. Yet these benefits may not reach students equally. Differences can emerge from access to paid models, device quality, connectivity, language, prior knowledge, AI literacy, prompting experience, disciplinary expertise and confidence about acceptable use. An institution may therefore provide equal permission to use AI while students experience unequal ability to benefit from it. The opportunity gap changes the equity conversation. Universities need to consider access to systems alongside access to the knowledge and support required to use those systems effectively. (Forbes) >>> Related blog posts >>> Достъпът до ИИ, уменията и продуктивността: уроци за Икономически университет – Варна This February post provides an empirical perspective on the equity question. It discusses a preregistered randomized experiment involving 1,174 adults in Argentina. Without AI, the performance gap between participants with lower and higher education reached 0.548 standard deviations. With AI assistance, the gap fell to 0.139 standard deviations, a reduction of around 75 percent in the specific business task studied. Yet the advantage did not automatically transfer to a subsequent task completed without AI. The lesson is nuanced. AI access can reduce performance differences in some tasks, but access alone does not erase underlying differences in knowledge and skill. How people use AI also matters. (Science and Research) When Students Move First: Rethinking Teaching and Assessment in the Age of AI This post identifies another type of emerging divide. Some students experiment with AI, learn independently and gradually develop competence. Others avoid AI because they feel uncertain about rules, ethics or acceptable practice. The result may be unequal learning outcomes even when students technically have access to the same tools. The post argues for moving from control toward capability. Institutions should provide clear expectations, structured opportunities to learn with AI and common graduate outcomes rather than leaving students to develop AI competence through informal experimentation. (Science and Research) AI as a Space for Thinking: A New Approach to Teaching This article raises a more subtle equity issue: AI may amplify existing expertise. Students with stronger knowledge can ask more precise questions, detect weak outputs and guide AI toward better results. Students with weaker foundations may accept plausible but inaccurate answers or struggle to judge quality. AI therefore does not automatically equalize learning. Without instructional support, it may increase differences between students who already possess strong disciplinary knowledge and those who do not. The post recommends making AI-supported reasoning visible through comparisons, revisions and explanations. (Science and Research) From AI Policy to AI Fluency in Universities Equity also appears explicitly in this governance discussion. The post argues that inequality extends beyond access. Language ability, prompting skills and access to paid AI systems can influence outcomes. This is an important addition to the opportunity-gap discussion because formal access policies may hide differences in actual capability. An institution interested in equitable AI adoption therefore needs shared training, accessible tools, clear guidance and opportunities for all students to develop fluency. (Science and Research) Technology, AI, and Student Experience: What Universities Need to Change Today The EDUCAUSE-based post adds infrastructure and student support to the equity question. Students still report differences in Wi-Fi quality, access to devices and support systems. AI strategies therefore cannot assume a uniform technological starting point. The same post reports low student confidence in workforce-related AI preparation. Providing access without training may leave students formally connected but practically unprepared. (Science and Research) Seven decisions, one institutional conversation Reading the Forbes framework alongside the Science & Research at UEV blog reveals an important connection among the seven decisions. They cannot be solved independently. AI infrastructure determines what students and faculty can access. Governance determines what those systems may do and who remains responsible. AI fluency determines whether students can use the systems critically rather than passively. Assessment determines whether universities can still produce credible evidence of learning. Workforce alignment determines whether the capabilities students develop remain relevant outside the university. Agent governance determines how far AI moves from producing information toward taking action. Equity determines who benefits from all of this. The Science & Research at UEV posts also suggest a progression in the institutional AI conversation during 2026. Early questions about AI tools increasingly lead toward questions about learning, judgment, assessment, governance, infrastructure, professional capability and institutional transformation. The July review of more than 30 blog publications captures this wider direction: the recurring question is how universities can benefit from AI without weakening educational purpose, research quality, human judgment or institutional responsibility. (Science and Research) This shift matters. A university can buy AI licences without developing AI fluency. It can publish an AI policy without establishing governance. It can encourage faculty experimentation without redesigning assessment. It can introduce AI agents without defining permissions. It can provide access without addressing inequality. It can add an AI course while leaving the rest of the curriculum unchanged. Each action may represent progress, but none by itself constitutes an institutional AI strategy. The seven decisions proposed by Aviva Legatt therefore offer a useful institutional self-assessment for 2026. They invite university leaders, faculty, researchers, librarians, administrators and students to move beyond the question of whether AI belongs in higher education. A more useful discussion begins with seven questions: – What AI infrastructure should our institution control? – What evidence demonstrates responsible AI governance? – What should every graduate be able to do with AI? – What counts as credible evidence of learning? – How quickly can our curricula respond to changes in professional work? – Which decisions and actions should AI agents be permitted to make? And how do we make sure the benefits of AI do not belong primarily to students who already have the strongest technology, knowledge, resources and support? These questions will not have identical answers across universities. Institutional mission, resources, disciplines, national regulation, student populations and organizational cultures differ. The important point is to start answering them deliberately. Which of these seven decisions is most relevant to your institution today? Is your most urgent challenge AI infrastructure, governance, AI fluency, assessment, workforce preparation, AI agents, or equitable access? And if you had to choose one of the seven as your institution’s priority for the next academic year, which one would you choose?

В своята статия във Forbes „7 решения за ИИ, които ще определят висшето образование през 2026 г.“, публикувана на 26 декември 2025 г., Авива Легат твърди, че университетските ръководители вече са изправени пред различен набор от въпроси в сравнение с тези, които доминираха през първите години на генеративния ИИ. Основният въпрос вече не е дали университетите трябва да използват ИИ или кой чатбот се представя най-добре. Институциите трябва да решат как ИИ се вписва в инфраструктурата, управлението, учебните програми, оценяването, подготовката за пазара на труда, институционалните работни процеси и възможностите за студентите. (Forbes) Легат организира това предизвикателство около седем въпроса: 1. Какви доказателства за управление на ИИ можем да представим пред финансиращи организации, акредитационни органи и заинтересовани страни? 2. С какво ниво на ИИ грамотност и ИИ компетентност трябва да завършват студентите и как да го развиваме? 3. Кои формати за оценяване ще останат надеждни в среда, в която ИИ е нормална част от обучението? 4. Достатъчно актуални, базирани на умения и съобразени с динамиката на пазара на труда ли са нашите пътища към професионална реализация? 5. Къде ще действат ИИ агентите и какви права ще имат? 6. Как да предотвратим възникването на разлика във възможностите, при която само част от студентите имат достъп до висококачествена подкрепа от ИИ? 7. Какъв е нашият модел за ИИ инфраструктура и структура на собственост? (Forbes) Тези въпроси предлагат интересна перспектива, през която можем да преразгледаме информацията, публикувана в този блог. През 2026 г. множество публикации в блога разглеждаха тези въпроси от различни гледни точки. Част от тях бяха посветени на ИИ грамотността и ИИ компетентността. Други разглеждаха оценяването, институционалната трансформация, агентния ИИ, изследователските работни процеси, развитието на преподавателите, инфраструктурата, управлението, ученето на студентите и подготовката за пазара на труда. Поставени до седемте решения на Легат, тези публикации започват да изглеждат по-малко като отделни разговори и повече като елементи на общ институционален дневен ред. Какъв е нашият модел за ИИ инфраструктура и структура на собственост? Първото решение приканва университетите да мислят отвъд закупуването на лицензи за ChatGPT, Claude, Gemini, Copilot или друга платформа. Институционалният въпрос е свързан с архитектурата, върху която се изгражда използването на ИИ. Кои модели ще предоставя университетът? Ще зависят ли ИИ услугите изцяло от търговски доставчици? Могат ли някои системи да работят върху институционална инфраструктура? Къде ще се съхраняват данните? Кои университетски системи ще бъдат свързани с ИИ? Кой ще контролира достъпа? Какво ще се случи, ако даден доставчик промени услугата, цените, политиките, практиките за работа с данни или самата достъпност на системата? Следователно това решение свързва закупуването на технологии с институционалния контрол и устойчивост. ИИ все повече се превръща в част от средата, чрез която студентите учат, преподавателите преподават, изследователите работят, а администрацията управлява институционални процеси. Затова решенията за инфраструктурата могат да влияят върху поверителността, сигурността, непрекъсваемостта, разходите, академичната свобода, независимостта на научните изследвания и зависимостта на университета от външни доставчици. (Forbes) >>> Свързани публикации в блога на НИИ>>> Защо управлението на ИИ е по-важно от закупуването на най-новия ИИ модел Тази публикация започва с въпрос, познат на много организации: Кой модел трябва да купим? Според текста, този въпрос се задава прекалено рано. ИИ създава устойчива институционална стойност само когато технологията е подкрепена от управление, качество на данните, сигурност, етичен надзор, развитие на персонала, осигуряване на качеството и наблюдение. Езиковият модел е само една част от по-голяма институционална система. Изборът на най-силния модел няма голямо значение, ако университетът няма процеси за определяне къде ИИ може да действа, кой проверява резултатите, кой носи отговорност за рисковете и как системите се наблюдават. Затова публикацията измества вниманието от сравняването на модели към организационната готовност. (Science and Research) ИИ променя университетите. Истинското предизвикателство е институционалната трансформация. Тази публикация разширява разговора за управлението, като твърди, че ИИ вече не трябва да се разглежда основно като част от ИТ дневния ред. ИИ влияе върху преподаването, научните изследвания, оценяването, администрацията, студентските услуги, академичната работа и стратегическото планиране. Статията разглежда университетската трансформация през въпросите за институционалната мисия, лидерството и организационния капацитет. Основната теза е, че институционалният дизайн има по-голямо значение от избора между отделни ИИ инструменти. Управленските структури, учебните програми, професионалното развитие, политиките за оценяване, изследователските практики и организационната култура определят дали приемането на ИИ ще създаде дългосрочна стойност. (Science and Research) От ИИ като колега до ИИ като инфраструктура: какво ни учат Итън Молик и Карло Яконо за бъдещето на висшето образование Тази публикация поставя зависимостта от инфраструктурата директно в центъра на разговора. Тя съпоставя нарастващите възможности на автономните ИИ системи с рисковете от зависимост от системи, контролирани от доставчици, правителства, доставчици на облачни услуги и регулатори. Университетите могат да интегрират ИИ в основни работни процеси, без да притежават самата базова инфраструктура. Затова публикацията въвежда идеята за „инфраструктурна грамотност“. Институциите трябва да разбират зависимостта си от доставчици, местоположението на данните, непрекъсваемостта на услугите, регулаторната намеса и риска от загуба на достъп до системи, от които академичните работни процеси вече зависят. Текстът препоръчва одит на зависимостите от ИИ, разглеждане на подходи с повече от един доставчик и включване на ИИ в планирането за непрекъсваемост на дейността. (Science and Research) ИИ във висшето образование: какво може да научи ИУ – Варна от Университета в Маями и други университети Тази публикация разглежда институционални подходи към интегрирането на ИИ в целия университет. „Miami Method“ на Университета в Маями, заедно с примери от Arizona State University, Harvard и Stanford, показва преход от предоставяне на достъп до отделни инструменти към изграждане на общ институционален капацитет. Публикацията подчертава необходимостта от координирана стратегия, развитие на преподавателите, интеграция в учебните програми, отговорна употреба, преработване на оценяването и интердисциплинарно сътрудничество. Препоръката към ИУ – Варна е ясна: преподаването, научните изследвания и администрацията трябва да бъдат свързани чрез институционална стратегия за ИИ, вместо приемането на ИИ да се развива като съвкупност от изолирани инициативи. (Science and Research) Какви доказателства за управление на ИИ можем да представим пред финансиращи организации, акредитационни органи и заинтересовани страни? Да имаш политика за ИИ все повече се различава от това да можеш да докажеш, че управляваш ИИ. Вторият въпрос на Легат е насочен към доказателствата. Университетите могат да казват на студентите и преподавателите да използват ИИ отговорно, но външните заинтересовани страни все по-често могат да попитат как институцията знае, че това действително се случва. Кой взема решенията за ИИ? Кои приложения са разрешени? Как се идентифицират високорисковите приложения? Кои системи имат институционално одобрение? Кой ги преглежда? Как се документират инцидентите? Какво обучение предоставя институцията? Как университетът наблюдава използването на ИИ в чувствителни процеси? Това измества управлението от декларации на принципи към документирана институционална практика. Политиките се нуждаят от ясно определени права за вземане на решения, механизми за преглед, класификации на риска, регистри на ИИ приложенията, структури за отчетност и доказателства за прилагане. (Forbes) >>> Свързани публикации в блога >>> От политика за ИИ към ИИ компетентност в университетите Тази публикация разглежда ИИ като системно предизвикателство, засягащо политиките, педагогиката, доверието, оценяването, равнопоставеността и човешката автономия. Обединявайки насоки на UNESCO, препоръки за следдипломно образование и дискусии за агентен ИИ, статията твърди, че политиката без практика остава абстрактна, а практиката без политика става непоследователна. Тя препоръчва политики на различни нива, ясни примери за допустима употреба, изисквания за деклариране, оценяване, фокусирано върху аргументацията, професионално развитие, граници за автономността на ИИ и редовен преглед въз основа на доказателства. Така управлението се превръща в продължаващ институционален процес, а не в документ, който се публикува веднъж и след това не се променя. (Science and Research) Защо управлението на ИИ е по-важно от закупуването на най-новия ИИ модел Публикацията за управлението принадлежи пряко и към второто решение, защото призовава институциите да определят отговорностите през целия жизнен цикъл на ИИ. Управлението включва данни, собственост върху системите, очаквания за качество, наблюдение, сигурност, риск, капацитет на персонала и механизми за ескалация. Тази перспектива подкрепя акцента на Легат върху доказателствата. Институцията трябва да може да обясни не само кои ИИ системи използва, но и как са били оценени, какви рискове са идентифицирани, кой ги контролира и какво се случва, когато представянето им спадне под приемливите стандарти. (Science and Research) Определете границите: защо по-умните ИИ агенти се нуждаят от по-ясни университетски правила Тази публикация превръща управлението в оперативна практика на ниво отделни работни процеси с ИИ. Тъй като ИИ системите вече могат да търсят във файлове, да използват инструменти, да променят документи и да изпълняват многостъпкови задачи, инструкциите трябва да определят цели, разрешени ресурси, забранени действия, точки за одобрение, изисквания за доказателства и условия за спиране. Статията дава прост пример: инструкциите към агент да „подобри този доклад“ оставят прекалено голяма свобода за интерпретация. Ако системата бъде помолена да оцени доклада, да предложи промени, да не променя оригинала и да спре, докато получи одобрение, се създава проследима граница между анализа и действието. Този подход превръща принципите на управление в наблюдаема практика. (Science and Research) Какво ниво на ИИ компетентност трябва да имат студентите при завършване и как да го развиваме? Третият въпрос на Легат измества разговора от достъпа към способността за компетентно използване. Студентите вече използват ИИ. Затова разграничителният въпрос за университетите е дали завършващите знаят как да използват ИИ критично, професионално и отговорно. ИИ компетентността включва повече от създаване на промптове. Студентите трябва да могат да оценяват резултатите от ИИ, да проверяват доказателства, да разпознават ограниченията, да прилагат дисциплинарни знания, да преценяват кога използването на ИИ е подходящо, да обясняват своите решения и да запазват отговорността за тях. Предизвикателството пред университетите е да превърнат тези широки цели в учебни програми. Какво трябва да знае един икономист за прогнозиране с помощта на ИИ? Какво трябва да знае един специалист по маркетинг за анализ на клиенти с помощта на ИИ? Какво трябва да знае един изследовател за генерирани от ИИ цитати? Какво трябва да знае всеки завършващ за пристрастията, поверителността, проверката и декларирането на употребата? Следователно ИИ компетентността се нуждае от ясно определени резултати от обучението, развитие през различните етапи на програмата и наблюдаеми доказателства за компетентност. (Forbes) >>> Свързани публикации в блога >>> От ИИ грамотност в училище към ИИ компетентност в университета: защо новата европейска рамка за ИИ грамотност има значение за висшето образование Тази публикация разглежда Рамката за ИИ грамотност на Европейската комисия и OECD и пита какво означава тя за университетите. Студентите, които навлизат във висшето образование, вероятно все по-често ще имат основен опит в разбирането, оценяването и работата с ИИ. Затова университетите трябва да преминат отвъд началното ниво на информираност към дисциплинарно приложение, професионална преценка, етично мислене и изследователски капацитет. Публикацията твърди, че ИИ грамотността трябва да се интегрира в различните дисциплини. Бизнесът, икономиката, образованието, правото и други области изискват различни приложения на общите ИИ компетентности. Текстът свързва ИИ компетентността и с оценяването и развитието на преподавателите. (Science and Research) Отвъд една дефиниция за ИИ грамотност: какво могат да научат университетите от рамките на UNESCO, ЕС и Stanford Тази публикация сравнява три рамки и показва, че те отговарят на различни образователни въпроси. UNESCO определя компетентностите, които студентите трябва да развиват. Рамката на Европейската комисия и OECD описва как ИИ грамотността може да се развива постепенно. Stanford се фокусира по-пряко върху функционалните, етичните, реторичните и педагогическите решения, които преподавателите вземат при работа с генеративен ИИ. Разгледани заедно, рамките очертават континуум. Училищата могат да изграждат основите, а университетите да развиват дисциплинарна експертиза, професионална преценка и изследователски капацитет. Това предлага на институциите отправна точка за дефиниране на резултатите при завършване, вместо ИИ грамотността да се свежда до обучение за работа с инструменти. (Science and Research) От промптове към преценка: какво означават новите проекти за ИИ компетентност за висшето образование Тази статия превръща ИИ компетентността в практика в аудиторията. Основната ѝ теза е, че същинската образователна работа започва след като ИИ даде отговор. Студентите трябва да определят на какво да се доверят, какво да отхвърлят, какво да проверят и какво да редактират. Предложените дейности включват картографиране на източници, дневници на решенията, критика на ИИ, документиране на работни процеси и публична защита на крайни продукти. Способността на студента да обяснява решенията си става по-важна от сложността на първоначалния промпт. Така публикацията дава практически отговор на въпроса на Легат как да преподаваме ИИ компетентност: чрез дейности, които правят преценката видима. (Science and Research) 6 проекта за ИИ компетентност, които правят мисленето на студентите видимо Тази публикация предлага шест малки учебни дизайна, чрез които преподавателите могат да наблюдават ИИ компетентността. Студентите идентифицират неправилни твърдения на ИИ, подобряват слаби промптове, разграничават човешкия принос от приноса на ИИ, избират между генерирани от ИИ алтернативи и обясняват своето мислене. Всяка задача изисква размисъл, проверка или аргументация. Образователният фокус се измества от това дали е използван ИИ към начина, по който студентът е мислил при използването му. Този подход прави абстрактни резултати като критично оценяване и отговорна употреба по-лесни за преподаване и оценяване. (Science and Research) Създайте свои собствени предизвикателства за ИИ компетентност Тази публикация надгражда предходните проекти, като приканва преподавателите да адаптират дейностите за ИИ компетентност към своите дисциплини. Студенти по бизнес могат да оценяват конкуриращи се управленски стратегии, генерирани от ИИ. Студенти по туризъм могат да идентифицират и коригират неточна информация за туристически дестинации. Студенти по маркетинг могат да усъвършенстват промптове, като обясняват защо промените подобряват резултата. Общият принцип е, че ИИ компетентността трябва да се проявява чрез наблюдаеми действия: оценяване, проверка, обяснение, итерация и вземане на решения. (Science and Research) Кои формати за оценяване ще останат надеждни в среда, в която ИИ е нормална част от обучението? Генеративният ИИ поставя под натиск едно основно допускане във висшето образование: че предаденият краен продукт представя собствените способности на студента. Есе, доклад, презентация, електронна таблица, компютърна програма или анализ на казус вече могат да бъдат създадени със значителна помощ от ИИ. Следователно добре оформеният краен продукт предоставя по-малко доказателства за това какво студентът разбира самостоятелно. Четвъртото решение на Легат приканва университетите да определят кои формати за оценяване продължават да предоставят надеждни доказателства за учене. Това не означава непременно изключване на ИИ. Институциите могат да имат нужда от комбинации от защитени оценки и оценки, при които използването на ИИ е позволено. Устна защита, решаване на проблеми в реално време, чернови, история на редакциите, рефлексивни коментари, проектна работа, документиране на процеса и самостоятелни задачи могат да предоставят различни видове доказателства. Основният въпрос се измества от откриването на използването на ИИ към определянето на това какво представлява валидно доказателство за учене. (Forbes) >>>Свързани публикации в блога >>> Валидност на дизайна на оценяване: уроци Тази публикация започва директно с въпроса за валидността на оценяването. Преди университетите да питат как да предотвратят неподходящата употреба на ИИ, те трябва да попитат дали дадено оценяване измерва резултатите от обучението, които твърди, че измерва. Опирайки се на работата на Quality Assurance Agency и интерпретацията на Phillip Dawson за валидността на оценяването, статията измества вниманието от отделните задания към дизайна на оценяването на ниво програма. Навлизането на генеративния ИИ прави по-видими слабости, които вече са съществували. Ако дадена задача измерва създаването на добре оформен продукт вместо разбиране, аргументация или пренос на знания, ИИ прави проблема по-лесен за разпознаване. (Science and Research) Оценяване, академична почтеност и ИИ: от Tyler до Dawson Тази публикация свързва съвременните въпроси за ИИ с утвърдената теория на оценяването. Tyler подчертава съгласуваността между образователните цели и оценяването. Wiggins и McTighe се фокусират върху доказателства за разбиране и пренос. Dawson въвежда разговора в среда, в която ИИ може да произвежда привидно компетентни академични резултати. Разгледани заедно, тези перспективи подсказват, че оценяването трябва да започва с въпроса „Какви доказателства биха ни убедили, че този студент е научил материала?“, а не „Как да попречим на този студент да използва ИИ?“. (Science and Research) Отвъд приемането: как университетите могат да съгласуват използването на ИИ с ученето и оценяването Случаят на California State University показва какво се случва, след като достъпът до ИИ стане широко разпространен. Повече от 84 процента от респондентите в системното проучване съобщават за някаква форма на използване на ИИ, докато преподавателите и студентите продължават да се сблъскват с непоследователни очаквания между различните курсове. Публикацията твърди, че предоставянето на достъп до ИИ без съгласуване на учебните програми, оценяването и политиките създава несигурност. Препоръчват се ясни насоки в курсовете, дисциплинарно специфично развитие на преподавателите, устни изпити, итеративни задания, проектна работа, деклариране и проверка. Институцията трябва да измерва успеха чрез резултатите от обучението и доверието, а не чрез броя на потребителите. (Science and Research) От контрол към доказателства за учене: стратегии за оценяване в епохата на генеративния ИИ Тази публикация разглежда отговора на University of Sydney на проблема с надеждността на оценяването. Вместо да се концентрира върху откриването на измами с помощта на ИИ, университетът разработва двупосочен подход. Част от оценяванията изискват студентите да демонстрират способности в защитени условия, докато други позволяват използване на ИИ, но изискват студентите да обяснят и защитят начина, по който са го използвали. Основният принцип е важен: университетите се нуждаят от доказателства, че студентите могат да работят самостоятелно, и от доказателства, че могат да работят отговорно с ИИ. И двете способности могат да имат значение в професионална среда, в която ИИ е широко използван. (Science and Research) Достатъчно актуални, базирани на умения и съобразени с динамиката на пазара на труда ли са нашите пътища към професионална реализация? ИИ променя професионалната работа по-бързо, отколкото традиционните процеси за обновяване на учебните програми обикновено могат да реагират. Затова петият въпрос на Легат разглежда връзката между висшето образование и заетостта. Университетите трябва да разбират кои задачи се променят под влияние на ИИ, кои способности работодателите ценят все повече и колко бързо програмите могат да реагират. Това е труден въпрос. Обучението на студентите за работа с конкретен ИИ продукт може да има ограничена стойност, ако продуктът се промени преди завършването им. По-устойчиви способности могат да бъдат аналитичното мислене, проверката, формулирането на проблеми, комуникацията, дисциплинарната експертиза, етичната преценка, системното мислене и способността за координиране на работни процеси, подкрепяни от ИИ. Университетите се нуждаят и от по-бързи начини да наблюдават промените в професионалната практика и да ги превръщат в учебни програми, продължаващо обучение, микроудостоверения, кариерни услуги и партньорства с работодатели. (Forbes) >>> Свързани публикации в блога >>> Агентна компетентност и бъдещето на експертизата в епохата на изкуствения интелект Тази статия пита какво трябва да преподават университетите, когато ИИ все по-често изпълнява задачи, които преди са били свързвани с професионална експертиза. Тя се опира на идеята на Ray Schroeder за agentic fluency и определя метакогнитивната адаптивност, етичната преценка, емпатичното лидерство и системното мислене като все по-важни способности. Публикацията посочва и структурен проблем: преработването на учебна програма може да отнеме между 12 и 18 месеца, докато циклите на развитие на ИИ се движат много по-бързо. Затова университетите се нуждаят от по-бързи механизми за наблюдение на промените в професионалната практика и адаптиране на учебния опит. (Science and Research) Технологии, ИИ и студентско преживяване: какво трябва да променят университетите още днес Въз основа на доклада EDUCAUSE Students and Technology Report за 2026 г. тази публикация идентифицира несъответствие между възприятията на студентите и новите изисквания на пазара на труда. Само 22 процента от анкетираните студенти смятат ИИ уменията за важни за бъдещата си кариера, а едва 36 процента се чувстват подготвени да използват ИИ инструменти. Публикацията настоява за по-добро съгласуване между обучението, технологиите и бъдещата работа. Студентите се нуждаят от аналитично мислене, комуникация и решаване на проблеми, заедно с целенасочено използване на цифрови и ИИ системи. Университетите имат роля да направят новите професионални очаквания видими още преди студентите да навлязат на пазара на труда. (Science and Research) ИИ прави одит на бизнес училищата: какво трябва да научи ИУ – Варна? Тази публикация развива въпроса за работната сила специално в контекста на бизнес образованието. Аргументът на Michael G. Jacobides поставя въпроса какво трябва да преподават бизнес училищата, когато ИИ прави създаването на убедителни доклади, анализи на казуси, пазарни сравнения и стратегически препоръки лесно и евтино. Отговорът се фокусира върху способности, чиято стойност не зависи от създаването на добре оформен текст: формулиране на неясни проблеми, оценка на противоречиви доказателства, оспорване на предположения, вземане на решения при несигурност и поемане на отговорност за последствията. Така ИИ действа като тест за релевантността на учебните програми. Ако дадено задание основно възнаграждава нещо, което ИИ изпълнява лесно, бизнес училищата трябва да преосмислят каква компетентност измерва то. (Science and Research) ИИ няма да замени преподавателите, но ще промени стойността на тяхната работа Въпреки че тази публикация е фокусирана върху университетската работа, а не само върху реализацията на завършващите, тя добавя още едно измерение към въпроса за работната сила. ИИ влияе по-силно върху роли, изградени около повтаряеми работни процеси, отколкото върху роли, изискващи контекст, преценка, наставничество, интерпретация и отговорност. Публикацията твърди, че по-полезният въпрос не е кои работни места ще изчезнат, а кои способности ще станат по-ценни. Оркестриране на ИИ, дизайн на работни процеси, оценяване на инструменти, етичен надзор и контрол на резултатите стават все по-важни в преподаването, администрацията, библиотеките и студентските услуги. (Science and Research) Къде ще действат ИИ агентите и какви права ще имат? Преходът от чатботове към ИИ агенти променя проблема на управлението. Чатботът основно генерира информация. Един агент може да търси в институционални системи, да извлича файлове, да използва софтуер, да комуникира с други системи, да променя информация, да инициира работни процеси или да изпълнява многостъпкови задачи. Затова университетите трябва да решат къде агентите могат да действат и какво им е позволено да правят. Агент, който помага на студентите с въпроси по учебната програма, представлява различно ниво на риск от агент, който прави препоръки за финансова помощ, прием, оценяване, изследователски данни или академично развитие. Правата имат значение. Институциите трябва да определят до какви данни може да има достъп агентът, какви действия може да изпълнява, кои решения изискват човешко одобрение, какви регистрационни записи трябва да се съхраняват и кой остава отговорен, когато възникне проблем. (Forbes) >>> Свързани публикации в блога на НИИ >>> Определете границите: защо по-умните ИИ агенти се нуждаят от по-ясни университетски правила Това е може би най-пряката връзка с шестото решение на Легат. Публикацията твърди, че все по-способните агенти се нуждаят от ясни оперативни граници вместо от общи промптове. Университетите трябва да определят цели, разрешени ресурси, забранени действия, точки за одобрение, изисквания за доказателства и условия за спиране. На дадена система може да бъде позволено да оцени документ, но да ѝ бъде забранено да го променя. Тя може да изготви имейл, но да няма право да го изпрати. Може да анализира студентски данни, но да изисква човешко одобрение, преди да направи препоръка. Разграничението между съвет и действие става централно за безопасното внедряване на агенти. (Science and Research) ИИ агенти във висшето образование: между административната ефективност и педагогическите предизвикателства Тази публикация разглежда ранни области на внедряване на агенти, като обработване на академични справки, проследяване на финансова помощ, автоматизация в LMS и подкрепа при академично консултиране. Административните функции привличат ранни експерименти, защото включват повтаряеми работни процеси с голям обем и измерими ползи за ефективността. Статията предупреждава да не приемаме, че административната автоматизация по дефиниция носи нисък риск. Грешки, свързани с академични досиета, финансова помощ или консултиране, могат да имат сериозни последствия за студентите. Затова ефективното внедряване изисква управление, човешки надзор, обучение на служителите и ясна отчетност заедно с технологията. (Science and Research) ИИ агенти срещу агентен ИИ: защо разликата има значение за висшето образование Тази статия предоставя концептуална основа за институционалните решения относно агентите. Тя разграничава отделните ИИ агенти, системи, които изпълняват конкретни задачи от името на потребители, от agentic AI като по-широк подход, включващ планиране, използване на инструменти, памет, оркестрация, оценяване и адаптиране в различни работни процеси. Разграничението е важно, защото университетите все повече трябва да учат студентите и служителите да разбират системи, а не само отделни промптове. За бизнес образованието това означава обучение по проектиране, наблюдение и оценяване на процеси, подкрепяни от ИИ. (Science and Research) Изграждане на ИИ агенти за преподаване и изследвания: три варианта за уъркшопи в ИУ – Варна Тази публикация превръща разговора за агентите в развитие на преподаватели и изследователи. Тя предлага уъркшопи, които варират от въведение в концепцията за агентите до изследователски агенти и практическо създаване на агенти без програмиране. Примерите включват агенти, които извличат информация за курсове, сравняват академични статии, работят с институционални документи или събират икономически индикатори от надеждни бази данни. И в трите модела човешкият контрол остава изричен. Преподавателите определят целите и източниците, задават правилата, преглеждат резултатите и запазват отговорността за академичните решения. (Science and Research) Как да предотвратим възникването на разлика във възможностите, при която само част от студентите имат достъп до висококачествена подкрепа от ИИ? Последното решение на Авива Легат във Forbes публикациятяа и може да се окаже едно от най-важните. ИИ може да предоставя индивидуално обучение, обяснения, обратна връзка, езикова подкрепа, помощ при изследвания и подкрепа при сложни задачи. Тези ползи обаче може да не достигат еднакво до всички студенти. Различия могат да възникнат поради достъпа до платени модели, качеството на устройствата, свързаността, езика, предварителните знания, ИИ грамотността, уменията за работа с промптове, дисциплинарната експертиза и увереността относно допустимата употреба. Следователно една институция може формално да предоставя еднакво право за използване на ИИ, докато студентите имат неравни възможности да извлекат полза от него. Разликата във възможностите променя разговора за равнопоставеността. Университетите трябва да мислят едновременно за достъпа до системите и за достъпа до знанията и подкрепата, необходими за ефективното им използване. (Forbes) >>> Свързани публикации в блога на НИИ>>> Достъпът до ИИ, уменията и продуктивността: уроци за Икономически университет – Варна Тази публикация от февруари предлага емпирична перспектива към въпроса за равнопоставеността. Тя разглежда предварително регистриран рандомизиран експеримент с 1174 възрастни в Аржентина. Без ИИ разликата в представянето между участници с по-ниско и по-високо образование достига 0,548 стандартни отклонения. С помощта на ИИ разликата намалява до 0,139 стандартни отклонения, което представлява спад от около 75 процента при конкретната изследвана бизнес задача. Предимството обаче не се пренася автоматично към последваща задача, изпълнена без ИИ. Изводът е нюансиран. Достъпът до ИИ може да намали различията в представянето при определени задачи, но самият достъп не премахва основните различия в знанията и уменията. Значение има и начинът, по който хората използват ИИ. (Science and Research) Когато студентите се движат първи: преосмисляне на преподаването и оценяването в епохата на ИИ Тази публикация идентифицира друг тип възникващо разделение. Част от студентите експериментират с ИИ, учат самостоятелно и постепенно развиват компетентност. Други избягват ИИ, защото не са сигурни в правилата, етичните въпроси или допустимите практики. Резултатът може да бъде неравенство в учебните резултати, дори когато студентите технически имат достъп до едни и същи инструменти. Публикацията предлага преминаване от контрол към развитие на способности. Институциите трябва да предоставят ясни очаквания, структурирани възможности за учене с ИИ и общи резултати при завършване, вместо да оставят студентите сами да развиват ИИ компетентност чрез неформални експерименти. (Science and Research) ИИ като пространство за мислене: нов подход към преподаването Тази статия поставя по-фин въпрос за равнопоставеността: ИИ може да усилва вече съществуващата експертиза. Студентите с по-силни знания могат да задават по-точни въпроси, да разпознават слаби резултати и да насочват ИИ към по-добри отговори. Студентите с по-слаби основи могат да приемат правдоподобни, но неточни отговори или да имат затруднения при оценяването на качеството. Следователно ИИ не изравнява автоматично възможностите за учене. Без педагогическа подкрепа той може да увеличи разликите между студентите, които вече имат силни дисциплинарни знания, и тези, които нямат. Публикацията препоръчва процесът на мислене с помощта на ИИ да се прави видим чрез сравнения, редакции и обяснения. (Science and Research) От политика за ИИ към ИИ компетентност в университетите Равнопоставеността присъства изрично и в тази дискусия за управлението. Публикацията твърди, че неравенството се простира отвъд самия достъп. Езиковите способности, уменията за създаване на промптове и достъпът до платени ИИ системи могат да влияят върху резултатите. Това е важно допълнение към разговора за разликата във възможностите, защото формално еднаквите политики за достъп могат да прикриват различия в реалните способности. Институция, която се стреми към равнопоставено приемане на ИИ, се нуждае от общо обучение, достъпни инструменти, ясни насоки и възможности всички студенти да развиват компетентност. (Science and Research) Технологии, ИИ и студентско преживяване: какво трябва да променят университетите още днес Публикацията, базирана на EDUCAUSE, добавя инфраструктурата и студентската подкрепа към въпроса за равнопоставеността. Студентите все още съобщават за различия в качеството на Wi-Fi, достъпа до устройства и системите за подкрепа. Затова стратегиите за ИИ не могат да приемат еднаква технологична изходна позиция за всички. Същата публикация показва ниска увереност на студентите относно подготовката им за използване на ИИ на пазара на труда. Осигуряването на достъп без обучение може да остави студентите формално свързани, но практически неподготвени. (Science and Research) Седем решения, един институционален разговор Разглеждането на рамката на Forbes заедно с блога НИИ разкрива важна връзка между седемте решения. Те не могат да бъдат решени независимо едно от друго. ИИ инфраструктурата определя до какво могат да имат достъп студентите и преподавателите. Управлението определя какво могат да правят тези системи и кой остава отговорен. ИИ компетентността определя дали студентите могат да използват системите критично, а не пасивно. Оценяването определя дали университетите все още могат да предоставят надеждни доказателства за учене. Съгласуването с пазара на труда определя дали способностите, които студентите развиват, остават релевантни извън университета. Управлението на агентите определя докъде ИИ преминава от създаване на информация към предприемане на действия. Равнопоставеността определя кой ще се възползва от всичко това. Публикациите в блога на НИИ показват и развитие на институционалния разговор за ИИ през 2026 г. Първоначалните въпроси за ИИ инструменти все по-често водят към въпроси за ученето, преценката, оценяването, управлението, инфраструктурата, професионалните способности и институционалната трансформация. Прегледът на повече от 30 публикации от юли показва тази по-широка посока: повтарящият се въпрос е как университетите могат да се възползват от ИИ, без да отслабват образователната мисия, качеството на научните изследвания, човешката преценка и институционалната отговорност. (Science and Research) Тази промяна има значение. Един университет може да закупи лицензи за ИИ, без да развива ИИ компетентност. Може да публикува политика за ИИ, без да изгради управление. Може да насърчава експериментирането на преподавателите, без да преработи оценяването. Може да въведе ИИ агенти, без да определи техните права. Може да предостави достъп, без да адресира неравенствата. Може да добави курс по ИИ, докато останалата част от учебната програма остава непроменена. Всяко от тези действия може да представлява напредък, но нито едно само по себе си не представлява институционална стратегия за ИИ. Затова седемте решения, предложени от Авива Легат, предоставят полезна рамка за институционална самооценка през 2026 г. Те приканват университетските ръководители, преподавателите, изследователите, библиотекарите, администраторите и студентите да преминат отвъд въпроса дали ИИ има място във висшето образование. По-полезният разговор започва със седем въпроса: Каква ИИ инфраструктура трябва да контролира нашата институция? Какви доказателства показват, че управляваме ИИ отговорно? Какво трябва да може да прави всеки завършващ с ИИ? Какво представлява надеждно доказателство за учене? Колко бързо могат нашите учебни програми да реагират на промените в професионалната работа? Какви решения и действия трябва да имат право да извършват ИИ агентите? И как да гарантираме, че ползите от ИИ няма да достигат предимно до студентите, които вече разполагат с най-добрите технологии, знания, ресурси и подкрепа? Тези въпроси няма да имат еднакви отговори във всички университети. Институционалната мисия, ресурсите, дисциплините, националното регулиране, студентските групи и организационната култура се различават. Важно е институциите да започнат да им отговарят целенасочено. Кое от тези седем решения е най-релевантно за вашата институция днес? Кое е най-неотложното предизвикателство при вас: ИИ инфраструктурата, управлението, ИИ компетентността, оценяването, подготовката за пазара на труда, ИИ агентите или равнопоставеният достъп? И ако трябва да изберете само едно от седемте като приоритет за вашата институция през следващата академична година, кое бихте избрали?

[1]: https://www.forbes.com/sites/avivalegatt/2025/12/26/7-ai-decisions-that-will-define-higher-education-in-2026/?utm_source=chatgpt.com “7 AI Decisions That Will Define Higher Education In 2026 – Forbes”

[2]: https://scienceandresearch.ue-varna.bg/polezno/?utm_source=chatgpt.com “Полезно – Science and Research”

[3]: https://scienceandresearch.ue-varna.bg/2026/07/28/ai-is-changing-universities-the-real-challenge-is-institutional-transformation/ “AI Is Changing Universities. The Real Challenge Is Institutional Transformation. – Science and Research”

[4]: https://scienceandresearch.ue-varna.bg/2026/06/16/from-ai-co-workers-to-ai-infrastructure-what-ethan-mollick-and-carlo-iacono-teach-us-about-the-future-of-higher-education-the-week-ai-changed-twice/ “From AI Co-Workers to AI Infrastructure: What Ethan Mollick and Carlo Iacono Teach Us About the Future of Higher Education: The Week AI Changed Twice – Science and Research”

[5]: https://scienceandresearch.ue-varna.bg/2026/06/24/ai-in-higher-education-what-ue-varna-can-learn-from-the-university-of-miami-and-other-universities/ “AI in Higher Education: What UE Varna Can Learn from the University of Miami and Other Universities – Science and Research”

[6]: https://scienceandresearch.ue-varna.bg/2026/05/05/from-ai-policy-to-ai-fluency-in-universities/ “From AI Policy to AI Fluency in Universities.  – Science and Research”

[7]: https://scienceandresearch.ue-varna.bg/2026/07/19/state-the-boundaries-why-smarter-ai-agents-need-clearer-university-rules/?utm_source=chatgpt.com “State the Boundaries: Why Smarter AI Agents Need Clearer University …”

[8]: https://scienceandresearch.ue-varna.bg/2026/07/23/from-school-ai-literacy-to-university-ai-fluency-why-europes-new-ai-literacy-framework-matters-for-higher-education/?utm_source=chatgpt.com “From School AI Literacy to University AI Fluency: Why Europe’s New AI …”

[9]: https://scienceandresearch.ue-varna.bg/2026/07/24/beyond-one-definition-of-ai-literacy-what-universities-can-learn-from-the-unesco-eu-and-stanford-frameworks/?utm_source=chatgpt.com “Beyond One Definition of AI Literacy: What Universities Can Learn from …”

[10]: https://scienceandresearch.ue-varna.bg/2026/06/11/from-prompting-to-judgment-what-the-new-ai-fluency-projects-mean-for-higher-education/?utm_source=chatgpt.com “From Prompting to Judgment: What the New AI Fluency Projects Mean for …”

[11]: https://scienceandresearch.ue-varna.bg/2026/05/29/6-ai-fluency-projects-that-make-student-thinking-visible/?utm_source=chatgpt.com “6 AI Fluency Projects That Make Student Thinking Visible”

[12]: https://scienceandresearch.ue-varna.bg/2026/06/01/build-your-own-ai-fluency-challenges/?utm_source=chatgpt.com “Build Your Own AI Fluency Challenges – Science and Research”

[13]: https://scienceandresearch.ue-varna.bg/2026/08/05/validity-of-assessment-design-lessons/?utm_source=chatgpt.com “Validity of Assessment Design Lessons – Science and Research”

[14]: https://scienceandresearch.ue-varna.bg/2026/05/18/assessment-academic-integrity-and-ai-from-tyler-to-dawson/?utm_source=chatgpt.com “Assessment, Academic Integrity, and AI: From Tyler to Dawson – Science …”

[15]: https://scienceandresearch.ue-varna.bg/2026/04/11/beyond-adoption-how-universities-can-align-ai-use-with-learning-and-assessment/?utm_source=chatgpt.com “Beyond Adoption: How Universities Can Align AI Use with Learning and …”

[16]: https://scienceandresearch.ue-varna.bg/2026/04/03/from-control-to-evidence-of-learning-assessment-strategies-in-the-age-of-gen-ai/?utm_source=chatgpt.com “From control to evidence of learning: assessment strategies in the age …”

[17]: https://scienceandresearch.ue-varna.bg/2026/04/15/agentic-fluency-and-the-future-of-expertise-in-the-age-of-artificial-intelligence/?utm_source=chatgpt.com “Agentic Fluency and the Future of Expertise in the Age of Artificial …”

[18]: https://scienceandresearch.ue-varna.bg/2026/04/02/technology-ai-and-student-experience-what-universities-need-to-change-today/?utm_source=chatgpt.com “Technology, AI, and Student Experience: What Universities Need to …”

[19]: https://scienceandresearch.ue-varna.bg/2026/08/07/ai-is-auditing-business-schools-what-should-ue-varna-learn/?utm_source=chatgpt.com “AI Is Auditing Business Schools: What Should UE Varna Learn? – Science …”

[20]: https://scienceandresearch.ue-varna.bg/2026/03/22/ai-will-not-replace-faculty-it-will-redefine-their-value/?utm_source=chatgpt.com “AI Will Not Replace Faculty, It Will Redefine Their Value”

[21]: https://scienceandresearch.ue-varna.bg/2026/05/16/ai-agents-in-higher-education-between-administrative-efficiency-and-pedagogical-challenges/?utm_source=chatgpt.com “AI Agents in Higher Education: Between Administrative Efficiency and …”

[22]: https://scienceandresearch.ue-varna.bg/2026/05/20/ai-agents-vs-agentic-ai-why-the-difference-matters-for-higher-education/?utm_source=chatgpt.com “AI Agents vs. Agentic AI: Why the Difference Matters for Higher …”

[23]: https://scienceandresearch.ue-varna.bg/2026/06/29/building-ai-agents-for-teaching-and-research-three-workshop-paths/?utm_source=chatgpt.com “Building AI Agents for Teaching and Research: Three Workshop Paths for …”

[24]: https://scienceandresearch.ue-varna.bg/2026/02/19/dostyp-do-ii-umeniata/?utm_source=chatgpt.com “Достъпът до ИИ, уменията и продуктивността: уроци за Икономически …”

[25]: https://scienceandresearch.ue-varna.bg/2026/04/13/when-students-move-first-rethinking-teaching-and-assessment-in-the-age-of-ai/?utm_source=chatgpt.com “When Students Move First. Rethinking Teaching and Assessment in the Age …”

[26]: https://scienceandresearch.ue-varna.bg/2026/03/17/ai-as-a-space-for-thinking-a-new-approach-to-teaching/2/?utm_source=chatgpt.com “AI as a space for thinking: a new approach to teaching”

[27]: https://scienceandresearch.ue-varna.bg/2026/08/02/july-on-the-science-research-blog-from-ai-tools-to-institutional-transformation/?utm_source=chatgpt.com “July on the Science & Research Blog: From AI Tools to Institutional …”