Brown University и MIT задават един и същ въпрос за AI, но не дават напълно еднакъв отговор
Podcast
Подкаст
| Two major university reports released in 2026 reflect a new phase of the AI discussion higher education has entered. The discussion has entered the more consequential phase of universities’ change in teaching, assessment, curriculum, and governance while AI can perform increasing amounts of intellectual work. Brown University’s July 2026 Generative AI in Teaching and Learning report and MIT’s August 2026 report (see our previous blog discussion) on AI use in teaching, learning, and research training approach this question from different institutional cultures. Yet they converge on several important points: – universities need clearer AI policies, – assessment needs reconsideration, – students need more sophisticated AI literacy, and – human learning and judgment must remain central. The discussion around Brown has also continued beyond the report itself. A Q&A with Brown Provost Francis J. Doyle III and Associate Provost for AI Michael Littman provides an important interpretation of the institutional impact. LinkedIn commentaries by Matthew Esterman and Afonso Alves add two further perspectives, urgency and governance. Brown University: AI use is widespread, but concern is equally widespread Brown’s report is unusually useful because it combines institutional benchmarking, research literature, analysis of almost 3,000 syllabi, and feedback from 697 students, faculty, and staff. One finding stands out immediately. AI use and concern about AI coexist. Among Brown respondents, 61% reported using generative AI weekly or daily. Students use it for explaining difficult concepts, checking understanding, revising writing, summarizing readings, and debugging code. Yet 88% of undergraduate respondents expressed concern about reduced long-term learning, while 87% worried about negative effects on cognitive capacity. Among faculty, 95% expressed concern about long-term learning and 80% about cognitive consequences. This moves the discussion beyond the usual assumption that students want AI while faculty want to restrict it. Brown finds considerable common ground. Both groups are asking whether AI sometimes replaces cognitive work that students need to perform themselves. The report therefore identifies an important distinction between AI in support of learning and AI serving as a substitution for learning. Research reviewed by the committee suggests that GenAI can support motivation, engagement, and some lower-order learning processes. The evidence for higher-order thinking is less consistent. Without appropriate instructional design, AI may contribute to overreliance, de-skilling, passive learning, and weaker metacognition. Brown consequently places AI literacy at the center of its response. AI literacy means more than knowing to prompt a chatbot. It includes understanding AI systems, evaluating their outputs, recognizing ethical and societal implications, and developing the metacognitive ability to decide when AI use supports learning and when it interferes with it. The report also calls for major changes in assessment. If AI can produce plausible essays, analyses, code, and summaries, the finished product alone becomes weaker evidence of student learning. Brown recommends greater attention to process, scaffolding, intermediate work, authentic tasks, reflection, and documentation of AI use. Its policy recommendations follow the same logic. Brown proposes university-wide baseline expectations, while preserving department, course, and assignment-level discretion. Faculty should make AI expectations explicit and explain why AI is permitted, restricted, or required. The report is also skeptical of AI detection. Detection systems produce false positives and false negatives, cannot reliably distinguish different forms of AI assistance, and may disadvantage non-native English writers. Brown therefore favors clearer policies and better assessment design over technological policing. The Doyle and Littman Q&A explains why the report matters The subsequent Brown Q&A with Provost Francis J. Doyle III and Associate Provost for AI Michael Littman is more than a summary of the committee report. It explains the institutional philosophy behind it. (Brown University) Doyle places Brown’s response within the university’s mission and history. His argument is of Brown not waiting for AI technologies or technology companies to determine educational use of AI. The university needs to shape its own response according to academic excellence, academic freedom, free inquiry, and the purpose of a Brown education. (Brown University) This is significant because it reverses a common sequence of thinking. Universities often begin with questions such as: What can the latest AI model do? How should we incorporate it? Which tools should faculty use? Brown starts elsewhere: What should students learn? Which forms of intellectual activity remain educationally important? Which AI uses help develop those capabilities? Which AI uses interfere with them? Littman makes this distinction especially clear when discussing cognition and academic integrity. He notes students’ own worry about feeling pressured to use systems that may weaken their learning. The concern is therefore broader than cheating. (Brown University) A student may comply with formal rules and still delegate too much cognitive work to AI. Conversely, another student may use AI extensively but in ways designed to test understanding, critique outputs, generate alternative viewpoints, or receive feedback. The relevant question becomes not simply “Did the student use AI?” but “What intellectual work did the student perform?” The Q&A also strengthens the report’s emphasis on assessment. Doyle and Littman connect AI policy directly with the university’s ability to know whether students have learned. They also highlight a practical problem uncovered by the syllabus analysis: many courses still provide students with insufficiently clear guidance about AI. (Brown University) Brown has already begun responding through GAITL Phase 2 and sample syllabus statements. The report is therefore beginning to move from analysis toward implementation. Matthew Esterman adds urgency Matthew Esterman reads the Brown report from the perspective of educational change, particularly K-12 education. His main contribution is not another set of recommendations. He questions the speed of institutional response. For Esterman, Brown and MIT are documenting conditions teachers and schools already experience: widespread student AI use, uncertain educator responses, and growing confusion among families about young people’s part in learning when AI can perform more academic tasks. His argument introduces an important tension. Universities need careful deliberation because premature policies can become obsolete or create unintended consequences. At the same time, AI capabilities and student practices are changing much faster than traditional university policy cycles. Esterman therefore argues for simultaneous speed and deliberation: institutions should move quickly while thinking carefully about what they want to preserve. He also expands the discussion beyond higher education. Universities receive students whose AI habits may already have developed through years of school use. AI literacy in higher education therefore cannot assume students arrive as beginners. Perhaps his strongest contribution is normative. Schools exist to achieve educational purposes, not the objectives of AI companies. Brown says something similar in institutional language. Esterman makes the tension more explicit. Technological capability should not determine educational goals. Educational goals should determine technology use. Afonso Alves adds a governance lens Afonso Alves, writing from a cybersecurity perspective, focuses on Brown’s implementation architecture. He highlights the report’s three time horizons: near-term baseline policies and institutionally supported AI tools; medium-term professional development and changes to academic codes; long-term interinstitutional standards and an AI literacy course designation. These recommendations come directly from Brown’s report. Alves therefore adds less conceptual interpretation than Esterman, but his perspective exposes something important. Educational AI policy requires infrastructure. Faculty cannot implement responsible AI practices – if students have unequal access to tools, – if approved platforms are unclear, – if institutional data are exposed to inappropriate systems, or – if academic codes remain ambiguous. AI governance therefore includes pedagogy, but also procurement, privacy, access, security, professional development, and accountability. Brown and MIT: substantial agreement MIT’s August 2026 report reaches several conclusions closely aligned with Brown’s. MIT President Sally Kornbluth describes generative AI as a “watershed” requiring the Institute to reconsider significant parts of its educational and research mission. MIT’s leadership summarizes the committee recommendations around three broad priorities: – developing “AI-aware” educational processes, – centering people and the residential community, and building processes for continuous reflection and improvement. (MIT Office of the President) The overlap with Brown is substantial. Both institutions argue that every course needs clearer expectations about AI. Both connect AI policy to learning objectives rather than treating policy as a generic prohibition. Both emphasize reassessing assessment. Both argue that students need to know when and how to use AI and when not to use it. Both place human development ahead of technological adoption. Both emphasize faculty and student participation rather than purely top-down governance. MIT also recommends that every class have a clearly communicated AI policy with an explanation of its rationale. (MIT Faculty Governance) This closely parallels Brown’s principle that instructors should explain both AI use and AI avoidance. The reports reveal a growing consensus between two institutions with different academic cultures: ambiguity is no longer an acceptable AI policy. Where Brown and MIT differ Their differences are mainly differences of emphasis. Brown is more explicit about governance architecture. Its report lays out university, department, course, and assignment-level responsibilities. It proposes changes to academic codes, enterprise AI provision, an AI literacy course designation, and eventually an interinstitutional coalition capable of negotiating standards with technology companies. MIT’s framing is broader and more philosophical. Its leadership describes AI as requiring reconsideration of the “structure, meaning, and value” of an MIT education. It explicitly emphasizes residential education, human community, hands-on learning, social connection, and human flourishing. (MIT Office of the President) Brown asks more directly: How should we govern AI use while protecting learning and academic freedom? MIT asks more explicitly: What should an MIT education become when AI changes the intellectual environment around it? Brown also places unusual emphasis on metacognition and cognitive outsourcing. Its report repeatedly asks whether AI use reduces durable learning or substitutes for cognitive activity students need to develop. MIT places comparatively stronger emphasis on human community and residential education. Its recommendation to “center people, community, and the residential experience” suggests that AI challenges universities not only cognitively but socially. (MIT Office of the President) The implications for education Taken together, Brown, MIT, and the surrounding commentary point toward several changes universities should now consider. First, AI policy needs to become learning policy. The important question is not simply what software students may use. Faculty need to identify the intellectual processes an assignment is intended to develop and then decide whether AI strengthens or replaces those processes. Second, assessment needs redesign rather than technological policing. If AI can generate increasingly credible academic products, educators need richer evidence of student thinking. Process documentation, staged assignments, authentic tasks, oral explanation, critique, reflection, and classroom interaction become increasingly important. Third, AI literacy needs to include knowing when not to use AI. Both universities reject a model of AI literacy defined as maximum tool proficiency. Competence includes judgment about when AI contributes value and when independent work remains necessary. Fourth, faculty need institutional support rather than another individual responsibility. AI policy cannot depend on every instructor independently tracking new tools and redesigning courses. Universities need shared resources, professional development, examples, secure tools, and communities of practice. Finally, institutions need to retain agency. This may be the most important common theme connecting Brown, MIT, Doyle and Littman, Esterman, and Alves. Universities should not ask technology companies to define the future of education for them. They need to decide the knowledge students need to acquire, the level of independence, the tasks to accomplish with AI, and which forms of judgment must remain human. Brown provides a detailed governance framework for making those decisions. MIT places them within a wider reconsideration of the purpose of university education. Doyle and Littman explain why institutional mission and learning should come first. Esterman adds the pressure to act faster. Alves reminds us that educational principles require governance and infrastructure to become practice. The emerging question is therefore no longer whether AI should enter higher education. AI is already there. The question is what universities want education to remain, and what they want it to become. | Два големи университетски доклада, публикувани през 2026 г., отразяват нов етап в дискусията за AI във висшето образование. Разговорът вече навлиза в по-съществена фаза, свързана с промените в преподаването, оценяването, учебните програми и управлението на университетите, докато AI може да изпълнява все по-голям обем интелектуална работа. Докладът на Brown University от юли 2026 г. Generative AI in Teaching and Learning и докладът на MIT от август 2026 г. (вижте предишната ни дискусия в блога) за използването на AI в преподаването, ученето и подготовката за научноизследователска работа подхождат към този въпрос от различни институционални позиции. Въпреки това те се покриват по няколко важни точки: – университетите се нуждаят от по-ясни политики за AI, – оценяването трябва да бъде преосмислено, – студентите се нуждаят от по-развита AI грамотност, и – човешкото учене и преценка трябва да останат в центъра. Дискусията около Brown продължава и отвъд самия доклад. Q&A с провоста на Brown Francis J. Doyle III и Associate Provost for AI Michael Littman предлага важна интерпретация на институционалното значение на доклада. Коментарите в LinkedIn на Matthew Esterman и Afonso Alves добавят още две перспективи, спешност и управление. Brown University: използването на AI е широко разпространено, но и притесненията са също толкова широко разпространени Докладът на Brown е особено полезен, защото съчетава институционален бенчмаркинг, научна литература, анализ на почти 3000 учебни програми и обратна връзка от 697 студенти, преподаватели и служители. Един извод се откроява веднага. Използването на AI и притесненията относно AI съществуват едновременно. Сред анкетираните в Brown 61% съобщават, че използват генеративен AI седмично или ежедневно. Студентите го използват за обясняване на трудни концепции, проверка на разбирането, редактиране на текстове, обобщаване на четива и откриване на грешки в код. В същото време 88% от анкетираните бакалаври изразяват притеснение за намаляване на дългосрочното учене, а 87% се тревожат за негативни последици върху когнитивните способности. Сред преподавателите 95% изразяват тревога относно дългосрочното учене, а 80% относно когнитивните последици. Това извежда дискусията отвъд обичайното предположение, че студентите искат AI, а преподавателите искат да го ограничат. Brown открива значителна обща основа. И двете групи си задават въпроса дали AI понякога не замества когнитивна работа, която студентите трябва да извършват самостоятелно. Затова докладът прави важно разграничение между AI като подкрепа за ученето и AI като заместител на ученето. Изследванията, прегледани от комисията, показват, че GenAI може да подпомага мотивацията, ангажираността и някои когнитивни процеси от по-нисък порядък. Данните за мисленето от по-висок порядък са по-нееднозначни. Без подходящ педагогически дизайн AI може да допринася за прекомерна зависимост, загуба на умения, пасивно учене и по-слаба метакогниция. Поради това Brown поставя AI грамотността в центъра на своя отговор. AI грамотността означава повече от това да знаеш как да зададеш промпт на чатбот. Тя включва разбиране на AI системите, оценяване на техните резултати, разпознаване на етичните и обществените последици и развиване на метакогнитивна способност за преценка кога използването на AI подпомага ученето и кога му пречи. Докладът също така призовава за значителни промени в оценяването. Ако AI може да създава убедителни есета, анализи, код и обобщения, крайният продукт сам по себе си се превръща в по-слабо доказателство за ученето на студента. Brown препоръчва по-голямо внимание към процеса, поетапното структуриране на задачите, междинната работа, автентичните задачи, рефлексията и документирането на използването на AI. Препоръките за политики следват същата логика. Brown предлага общоуниверситетски базови очаквания, като същевременно запазва свободата на департаментите, курсовете и отделните задания да определят свои правила. Преподавателите трябва ясно да формулират очакванията си относно AI и да обясняват защо AI е разрешен, ограничен или задължителен. Докладът е също така скептичен към системите за откриване на AI. Тези системи дават фалшиво положителни и фалшиво отрицателни резултати, не могат надеждно да разграничат различни форми на AI помощ и могат да поставят в неблагоприятно положение хора, за които английският не е роден език. Затова Brown предпочита по-ясни политики и по-добър дизайн на оценяването пред технологично наблюдение. Q&A на Doyle и Littman обяснява защо докладът е важен Последвалото Q&A на Brown с провоста Francis J. Doyle III и Associate Provost for AI Michael Littman е повече от обобщение на доклада на комисията. То обяснява институционалната философия зад него. (Brown University) Doyle поставя отговора на Brown в контекста на мисията и историята на университета. Аргументът му е, че Brown не трябва да чака AI технологиите или технологичните компании да определят как AI ще се използва в образованието. Университетът трябва сам да формира своя отговор в съответствие с академичното качество, академичната свобода, свободното изследване и целта на образованието в Brown. (Brown University) Това е важно, защото обръща обичайната последователност на мислене. Университетите често започват с въпроси като: Какво може да прави най-новият AI модел? Как да го включим? Кои инструменти трябва да използват преподавателите? Brown започва от друго място: Какво трябва да научат студентите? Кои форми на интелектуална дейност остават важни за образованието? Кои употреби на AI подпомагат развитието на тези способности? Кои употреби на AI им пречат? Littman прави това разграничение особено ясно, когато обсъжда когницията и академичната почтеност. Той отбелязва, че самите студенти се тревожат, че могат да се почувстват принудени да използват системи, които отслабват ученето им. Следователно проблемът е по-широк от преписването. (Brown University) Един студент може да спазва формалните правила и въпреки това да делегира твърде много когнитивна работа на AI. Обратно, друг студент може да използва AI интензивно, но по начини, предназначени да проверяват разбирането, да критикуват резултати, да генерират алтернативни гледни точки или да получават обратна връзка. Следователно релевантният въпрос вече не е просто „Използва ли студентът AI?“, а „Каква интелектуална работа извърши студентът?“ Q&A също така засилва акцента на доклада върху оценяването. Doyle и Littman свързват AI политиката пряко със способността на университета да установи дали студентите са научили необходимото. Те също подчертават практически проблем, разкрит от анализа на учебните програми: много курсове все още не предоставят достатъчно ясни указания относно AI. (Brown University) Brown вече е започнал да реагира чрез GAITL Phase 2 и примерни формулировки за учебни програми. Следователно докладът започва да преминава от анализ към прилагане. Matthew Esterman добавя усещане за спешност Matthew Esterman разглежда доклада на Brown от гледна точка на промените в образованието, особено в K-12. Основният му принос не е още един набор от препоръки. Той поставя под въпрос скоростта на институционалния отговор. Според Esterman Brown и MIT документират условия, които учителите и училищата вече преживяват: широко разпространено използване на AI от учениците, несигурни реакции от страна на преподавателите и нарастващо объркване сред семействата относно ролята на младите хора в ученето, когато AI може да изпълнява все повече академични задачи. Аргументът му въвежда важно напрежение. Университетите се нуждаят от внимателно обсъждане, защото прибързаните политики могат бързо да остареят или да породят непредвидени последици. В същото време способностите на AI и практиките на студентите се променят много по-бързо от традиционните цикли за създаване на университетски политики. Затова Esterman аргументира необходимостта от едновременна бързина и обмисленост: институциите трябва да действат бързо, като същевременно обмислят внимателно какво искат да запазят. Той също разширява дискусията отвъд висшето образование. В университетите постъпват студенти, чиито навици за използване на AI може вече да са се формирали през годините в училище. Следователно AI грамотността във висшето образование не може да предполага, че студентите идват като начинаещи. Може би най-силният му принос е нормативен. Училищата съществуват, за да постигат образователни цели, а не целите на AI компаниите. Brown казва нещо подобно с институционален език. Esterman прави напрежението по-ясно. Технологичните възможности не трябва да определят образователните цели. Образователните цели трябва да определят използването на технологиите. Afonso Alves добавя перспектива на управлението Afonso Alves, пишейки от гледна точка на киберсигурността, се фокусира върху архитектурата за прилагане на препоръките на Brown. Той подчертава трите времеви хоризонта в доклада: краткосрочни базови политики и институционално поддържани AI инструменти; средносрочно професионално развитие и промени в академичните кодекси; дългосрочни междуинституционални стандарти и обозначение за курсове по AI грамотност. Тези препоръки идват директно от доклада на Brown. Следователно Alves добавя по-малко концептуална интерпретация от Esterman, но перспективата му откроява нещо важно. Образователната политика за AI изисква инфраструктура. Преподавателите не могат да прилагат отговорни практики за AI, – ако студентите имат неравен достъп до инструменти, – ако не е ясно кои платформи са одобрени, – ако институционални данни се предоставят на неподходящи системи, или – ако академичните кодекси остават неясни. Следователно управлението на AI включва педагогика, но също така закупуване на технологии, защита на личните данни, достъп, сигурност, професионално развитие и отчетност. Brown и MIT: значително съгласие Докладът на MIT от август 2026 г. достига до няколко заключения, които са тясно свързани с тези на Brown. Президентът на MIT Sally Kornbluth определя генеративния AI като „watershed“, който изисква институтът да преосмисли значителни части от своята образователна и изследователска мисия. Ръководството на MIT обобщава препоръките на комисията около три широки приоритета: – разработване на „AI-aware“ образователни процеси, – поставяне на хората и университетската общност в центъра, – изграждане на процеси за непрекъсната рефлексия и усъвършенстване. (MIT Office of the President) Сходствата с Brown са значителни. И двете институции смятат, че всеки курс се нуждае от по-ясни очаквания относно AI. И двете свързват AI политиката с учебните цели, вместо да я разглеждат като обща забрана. И двете подчертават необходимостта от преосмисляне на оценяването. И двете твърдят, че студентите трябва да знаят кога и как да използват AI и кога да не го използват. И двете поставят човешкото развитие пред технологичното възприемане. И двете акцентират върху участието на преподаватели и студенти, вместо върху изцяло централизиран подход отгоре надолу. MIT също препоръчва всеки курс да има ясно комуникирана политика за AI с обяснение на нейната логика. (MIT Faculty Governance) Това тясно съответства на принципа на Brown, според който преподавателите трябва да обясняват както използването на AI, така и избягването му. Докладите показват нарастващ консенсус между две институции с различни академични култури: неяснотата вече не е приемлива политика за AI. По какво Brown и MIT се различават Разликите между тях са най-вече различия в акцента. Brown е по-конкретен по отношение на архитектурата на управлението. Докладът му определя отговорности на университетско, департаментно, курсово и ниво на отделното задание. Той предлага промени в академичните кодекси, институционално предоставяне на AI инструменти, обозначение за курсове по AI грамотност и в перспектива междуинституционална коалиция, способна да договаря стандарти с технологичните компании. Подходът на MIT е по-широк и по-философски. Ръководството му описва AI като фактор, който изисква преосмисляне на „структурата, смисъла и стойността“ на образованието в MIT. То изрично подчертава значението на присъственото университетско образование, човешката общност, практическото учене, социалната свързаност и човешкото благополучие. (MIT Office of the President) Brown задава по-пряко въпроса: Как трябва да управляваме използването на AI, като същевременно защитаваме ученето и академичната свобода? MIT пита по-експлицитно: Какво трябва да се превърне образованието в MIT, когато AI променя интелектуалната среда около него? Brown също поставя необичайно силен акцент върху метакогницията и когнитивното аутсорсване. Докладът многократно поставя въпроса дали използването на AI намалява устойчивото учене или замества когнитивна дейност, която студентите трябва да развият. MIT поставя сравнително по-силен акцент върху човешката общност и присъственото университетско образование. Препоръката му да се поставят „хората, общността и присъственото преживяване в центъра“ показва, че AI поставя предизвикателства пред университетите не само в когнитивен, но и в социален план. (MIT Office of the President) Последиците за образованието Взети заедно, Brown, MIT и съпътстващите коментари насочват към няколко промени, които университетите вече трябва да обмислят. Първо, политиката за AI трябва да се превърне в политика за ученето. Важният въпрос не е просто какъв софтуер могат да използват студентите. Преподавателите трябва да определят кои интелектуални процеси дадено задание цели да развие и след това да преценят дали AI ги подпомага или ги замества. Второ, оценяването се нуждае от редизайн, а не от технологично наблюдение. Ако AI може да създава все по-убедителни академични продукти, преподавателите се нуждаят от по-богати доказателства за мисленето на студентите. Документирането на процеса, поетапните задания, автентичните задачи, устното обяснение, критичната оценка, рефлексията и взаимодействието в аудиторията стават все по-важни. Трето, AI грамотността трябва да включва знанието кога да не се използва AI. И двата университета отхвърлят модел на AI грамотност, определян като максимално умение за работа с инструменти. Компетентността включва преценка кога AI създава стойност и кога самостоятелната работа остава необходима. Четвърто, преподавателите се нуждаят от институционална подкрепа, а не от още една индивидуална отговорност. Политиката за AI не може да зависи от това всеки преподавател самостоятелно да следи новите инструменти и да преработва курсовете си. Университетите се нуждаят от споделени ресурси, професионално развитие, примери, сигурни инструменти и общности за обмен на практики. Накрая, институциите трябва да запазят способността си сами да определят посоката. Това може би е най-важната обща тема, която свързва Brown, MIT, Doyle и Littman, Esterman и Alves. Университетите не трябва да оставят технологичните компании да определят бъдещето на образованието вместо тях. Те трябва да решат какви знания трябва да придобият студентите, какво трябва да могат да правят самостоятелно, какви задачи трябва да изпълняват с AI и кои форми на преценка трябва да останат човешки. Brown предоставя подробна рамка за управление на тези решения. MIT ги поставя в рамките на по-широко преосмисляне на смисъла на университетското образование. Doyle и Littman обясняват защо институционалната мисия и ученето трябва да стоят на първо място. Esterman добавя натиска за по-бързо действие. Alves напомня, че образователните принципи се нуждаят от управление и инфраструктура, за да се превърнат в практика. Следователно новият въпрос вече не е дали AI трябва да навлезе във висшето образование. AI вече е там. Въпросът е какво университетите искат образованието да запази и в какво искат то да се превърне. |