AI преподаватели във висшето образование: персонализация, дийпфейкове и необходимостта от управление
| Podcast | Подкаст |
| AI tutors are becoming more sophisticated. Some operate as text-based assistants. Others use synthetic voices, animated avatars, or realistic digital representations of people. At the far end of this continuum are deepfake-style tutors, systems able to imitate the appearance, voice, or identity of a real person. The article by Sharif, Atif, and Nagra (2025), “Deepfake-Style AI Tutors in Higher Education: A Mixed-Methods Review and Governance Framework for Sustainable Digital Education,” provides a useful framework for understanding this development. One of its strongest contributions is the shift of beyond the technical capabilities of AI tutors and centering the discussion around the universities’ governance of their use. The authors examine benefits such as personalization, multilingual support, accessibility, scalability, and increased engagement. At the same time, they address risks related to impersonation, academic integrity, privacy, consent, bias, and institutional trust. Their proposed governance framework organizes these concerns around four areas: – transparency and disclosure, – data governance and privacy, – academic integrity and detection, and – ethical oversight and accountability. The study uses a mixed-methods approach. The first component is a PRISMA-guided review of 42 peer-reviewed studies published between 2015 and July 2025. The second component consists of written responses from 12 assistant professors from one university in Pakistan. The researchers then combined themes from the literature and faculty responses to develop their governance framework. This design gives the paper both breadth and a practitioner perspective, but it also creates limitations. Only around one-third of the reviewed learning contexts involved higher education. Many of the systems studied were generic synthetic personas rather than replicas of real instructors. The qualitative sample was small, came from one institution, and included faculty already familiar with AI-supported education. Students, administrators, IT specialists, accessibility experts, and data protection professionals were not included. Another point deserves attention. The term “deepfake-style tutor” covers several quite different technologies. A simple AI tutor may answer questions, explain concepts, provide formative feedback, or guide students through exercises. It may have no visual identity at all. A synthetic tutor may have an artificial voice and avatar but represent no real person. An identity-bearing tutor may reproduce the face, voice, or teaching style of an identifiable instructor. A deepfake tutor may create a highly realistic representation of a real person, potentially making it difficult for students to distinguish the synthetic representation from the person being imitated. These systems should not receive identical treatment. A clearly labelled fictional avatar answering revision questions creates different risks from an AI-generated professor appearing to deliver lectures or provide assessment feedback. This distinction is one of the areas where the paper can be extended. The label “deepfake” carries associations with deception, yet many synthetic tutors openly identify themselves as artificial. Universities therefore need more precise categories when designing policies. The evidence on educational benefits also needs careful interpretation. The reviewed studies suggest advantages for engagement, accessibility, multilingual learning, and scalable support. Evidence for improved learning outcomes is less consistent. Some studies found no meaningful advantage over conventional video instruction when researchers controlled for content and duration. For teaching and learning, this leads to an important practical principle: universities should evaluate AI tutors according to learning outcomes, and not according to how impressive or realistic the technology appears. A sensible implementation strategy would start with openly identified synthetic tutors in low-stakes learning activities. A tutor might explain difficult concepts, answer frequently asked questions, provide additional examples, support multilingual learners, or offer formative feedback before students submit work. Faculty should then examine several questions. Did students understand the material better? Did the tutor help weaker students? Did students become more independent or more dependent on automated support? Were explanations accurate? Did students understand when they were interacting with AI? Did all students have equitable access? Assessment requires additional care. According to the authors, deepfake detection alone cannot protect academic integrity. Detection technologies remain imperfect and may introduce privacy and fairness concerns. Universities therefore need assessment designs to generate multiple forms of evidence of learning, such as drafts, process records, oral explanations, supervised activities, and reflective accounts of AI use. The broader lesson AI tutors should not be treated as replacements for instructors. Their educational value depends on their fit within course design. The strongest use case may be an AI tutor needed to extend access to explanation, practice, feedback, and support while the instructor retains responsibility for learning goals, assessment, interpretation, and student development. The important institutional question is therefore not simply whether universities should use AI tutors. It is what type of tutor is being used, for what pedagogical purpose, with what level of transparency, what evidence of learning, and what safeguards for students and faculty. | AI преподавателите стават все по-усъвършенствани. Някои функционират като текстови асистенти. Други използват синтетични гласове, анимирани аватари или реалистични дигитални образи на хора. В най-крайната част на този континуум се намират преподавателите от типа „дийпфейк“, системи, способни да имитират външния вид, гласа или идентичността на реален човек. Статията на Sharif, Atif и Nagra (2025), „Deepfake-Style AI Tutors in Higher Education: A Mixed-Methods Review and Governance Framework for Sustainable Digital Education“, предлага полезна рамка за разбиране на това развитие. Един от най-силните ѝ приноси е изместването на фокуса отвъд техническите възможности на AI преподавателите и поставянето в центъра на дискусията на въпроса как университетите трябва да управляват тяхното използване. Авторите разглеждат ползи като персонализация, многоезична подкрепа, достъпност, мащабируемост и по-висока ангажираност. Същевременно те анализират рискове, свързани с имитиране на чужда самоличност, академична почтеност, поверителност, съгласие, пристрастия и институционално доверие. Предложената от тях управленска рамка организира тези въпроси около четири области: – прозрачност и оповестяване, – управление на данните и поверителност, – академична почтеност и откриване на злоупотреби, и – етичен надзор и отчетност. Изследването използва подход със смесени методи. Първият компонент е преглед, следващ насоките PRISMA, на 42 рецензирани научни изследвания, публикувани между 2015 г. и юли 2025 г. Вторият компонент включва писмени отговори на 12 асистент-професори от един университет в Пакистан. След това изследователите обединяват темите, идентифицирани в литературата и в отговорите на преподавателите, за да разработят своята рамка за управление. Този дизайн осигурява както широта на анализа, така и гледна точка на практикуващи преподаватели, но създава и ограничения. Само около една трета от разгледаните образователни контексти са свързани с висшето образование. Много от изследваните системи представляват общи синтетични персонажи, а не реплики на реални преподаватели. Качествената извадка е малка, идва от една институция и включва преподаватели, които вече са запознати с използването на AI в образованието. Студенти, администратори, IT специалисти, експерти по достъпност и специалисти по защита на данните не са включени. Друг въпрос също заслужава внимание. Терминът „преподавател от типа дийпфейк“ обхваща няколко доста различни технологии. Един обикновен AI преподавател може да отговаря на въпроси, да обяснява концепции, да предоставя формираща обратна връзка или да насочва студентите при изпълнението на упражнения. Той може изобщо да няма визуална идентичност. Синтетичният преподавател може да има изкуствен глас и аватар, но да не представя реален човек. Преподавател с идентичност може да възпроизвежда лицето, гласа или стила на преподаване на конкретен, разпознаваем преподавател. Дийпфейк преподавателят може да създава силно реалистично представяне на реален човек, което потенциално затруднява студентите да разграничат синтетичното представяне от човека, когото то имитира. Тези системи не трябва да се третират по един и същ начин. Ясно обозначен измислен аватар, който отговаря на въпроси за преговор, създава различни рискове от AI генериран образ на професор, който привидно изнася лекции или предоставя обратна връзка при оценяване. Това разграничение е една от областите, в които статията може да бъде доразвита. Етикетът „дийпфейк“ носи асоциации с измама, докато много синтетични преподаватели открито се представят като изкуствени системи. Поради това университетите се нуждаят от по-прецизни категории при разработването на политики. Доказателствата за образователните ползи също изискват внимателно тълкуване. Разгледаните изследвания показват предимства по отношение на ангажираността, достъпността, многоезичното обучение и мащабируемата подкрепа. Доказателствата за подобрени резултати от обучението са по-непоследователни. Някои изследвания не установяват съществено предимство спрямо традиционно видеообучение, когато изследователите контролират съдържанието и продължителността. За преподаването и ученето това води до важен практически принцип: университетите трябва да оценяват AI преподавателите според резултатите от ученето, а не според това колко впечатляваща или реалистична изглежда технологията. Разумна стратегия за внедряване би започнала с открито обозначени синтетични преподаватели в учебни дейности с нисък риск. Такъв преподавател може да обяснява трудни концепции, да отговаря на често задавани въпроси, да предоставя допълнителни примери, да подкрепя многоезични обучаеми или да предоставя формираща обратна връзка преди предаването на студентска работа. След това преподавателите трябва да разгледат няколко въпроса. Разбраха ли студентите учебния материал по-добре? Помогна ли AI преподавателят на по-слабо представящите се студенти? Станаха ли студентите по-самостоятелни или по-зависими от автоматизираната подкрепа? Точни ли бяха обясненията? Разбираха ли студентите кога взаимодействат с AI? Имаха ли всички студенти равнопоставен достъп? Оценяването изисква допълнително внимание. Според авторите само откриването на дийпфейкове не може да защити академичната почтеност. Технологиите за откриване все още са несъвършени и могат да създадат проблеми, свързани с поверителността и справедливостта. Поради това университетите се нуждаят от дизайни на оценяване, които генерират множество форми на доказателства за учене, например чернови, записи на процеса, устни обяснения, контролирани дейности и рефлексивни отчети за използването на AI. По-широкият извод AI преподавателите не трябва да се разглеждат като заместители на преподавателите. Тяхната образователна стойност зависи от това доколко са подходящо интегрирани в дизайна на курса. Най-подходящият случай на използване може да бъде AI преподавател, който разширява достъпа до обяснения, упражнения, обратна връзка и подкрепа, докато преподавателят запазва отговорността за учебните цели, оценяването, интерпретацията и развитието на студентите. Следователно важният институционален въпрос не е просто дали университетите трябва да използват AI преподаватели. По-важно е какъв тип преподавател се използва, с каква педагогическа цел, при какво ниво на прозрачност, с какви доказателства за учене и с какви механизми за защита на студентите и преподавателите. |