Октомври в блога на НИИ: от използването на ИИ към доказателствата за учене и институционалната отговорност
| What should students learn when AI can produce answers, write reports, screen research papers, and generate teaching materials? How should educators distinguish useful assistance from the replacement of learning? And who should take responsibility for the decisions surrounding these technologies? These questions connect October’s discussions on the Science & Research Blog at the University of Economics, Varna. The month opened with “September on the Science & Research Blog: From Using AI to Designing the Human-AI Relationship.” That retrospective established the context for October: educational goals should determine the role of AI, rather than technological capabilities determining the direction of education. October’s discussions developed this argument through AI literacy, learning science, curriculum design, school restrictions, scholarly communication, and university governance. AI literacy: from familiarity with tools to demonstrable competence Several posts examined the difference between using AI and demonstrating informed, responsible use. “AI Literacy 101: From Intimidated to Informed 2026” offered introductory material through a video and supporting outlines. “Students Use AI, but Do They Know When They Should?” examined the uncertainties surrounding students’ everyday practices. The latter discussed research showing support for clearer university guidance, alongside concerns about delegating writing, creativity, and thinking to AI. Students’ desire for rules did not translate into equivalent support for prohibition. “Beyond Prompting: Why Critical AI Literacy Matters for Faculty and Students” introduced The Open University’s framework. The discussion extended AI literacy beyond tool operation to evidence evaluation, ethics, accessibility, inclusion, and the wider consequences of automated systems. A student’s ability to generate a marketing analysis, for example, says little about the student’s ability to recognize unsupported claims or cultural assumptions within the analysis. “Beyond Prompting: 14 AI Skills Every University Student Should Develop” approached competence through Andrew Maynard’s practical “I Can…” statements. The emphasis shifted toward capabilities students can demonstrate: choosing appropriate tools, verifying sources, improving generated work, supervising agents, communicating findings, and accepting responsibility for results. Familiarity with an application becomes meaningful when students can explain their decisions and evaluate the consequences. The later discussion, “From Everyday AI Use to Demonstrable Competence: Rethinking University Assignments,” brought these concerns into assessment. The central proposal was to ask students to demonstrate verification, reasoning, correction, and justified acceptance or rejection of AI suggestions. For a marketing assignment, this might mean evaluating AI-generated customer segments against survey evidence. For data analysis, students might identify an inappropriate statistical procedure and explain their correction. The assessment should examine the student’s judgment, rather than reward the fluency of the generated answer. Across this theme, the priority becomes clear: teach students how to question AI, recognize limitations, and demonstrate responsibility within their discipline. Learning, critical thinking, and the risk of effortless completion A second group of posts examined whether AI-supported performance translates into learning. “AI Tutors in 2026: The Promise Is Still There, but the Evidence Is Changing the Question” contrasted the promise of personalized assistance with evidence from a university trial. Access to a course-integrated tutor did not automatically improve achievement. The discussion emphasized pedagogical design, patterns of student use, and evaluation of independent understanding, retention, and transfer. A capable language model does not become an effective tutor simply by receiving course materials. “Are Students Learning to Think Critically, or Learning to Produce Answers?” revisited Peter Facione’s framework. Interpretation, analysis, evaluation, inference, explanation, and self-regulation provided a way to specify the intellectual work students should demonstrate. The post also distinguished possessing evaluative skills from choosing to exercise them. Knowing AI sometimes invents references matters little when a student submits an unchecked bibliography. The later piece, “When AI Does the Thinking, What Happens to Student Learning?”, examined cognitive offloading and critical autonomy. Drawing on a systematic review, the discussion resisted a simple claim of AI being either beneficial or harmful. AI can support feedback, conceptual understanding, and reflection. Uncritical reliance can accompany superficial processing and weaker evaluative engagement. The review placed particular importance on instructional design, AI literacy, and assessment practices. “The Illusion of Learning: When AI Makes Education Too Easy” developed the distinction between completing a task and acquiring competence. Drawing on Brcic and Frljic’s preprint, the discussion considered where AI assistance belongs within learning. Their proposed approach protects an initial independent attempt and a final unaided check, while allowing guided support between these stages. This is a proposal for instructional design, rather than proof of a universally effective teaching sequence. The October 30 discussion, “When AI Can Answer, What Should Students Still Learn?”, connected these concerns with Dan Schwartz’s interview for EPFL. Schwartz emphasized the knowledge students need to interpret AI output, recognize unfamiliar situations, and continue learning. He also distinguished assessing previously acquired knowledge from assessing a learner’s capacity to learn something new. The question therefore extends beyond preventing cheating: universities need to decide which forms of understanding and adaptability their courses should develop. Taken together, these discussions suggest a practical test for AI-supported teaching: examine what students understand, explain, and apply, rather than infer learning from the quality of a submitted product. Teaching and curriculum design: making educational decisions explicit October’s discussions also considered how educators should redesign learning activities. “When AI Can Do More, Students Need to Learn Differently: Project-Based Learning, Competences, and Technology Acceptance” connected authentic projects with self-regulated learning. Projects can make planning, collaboration, evidence evaluation, decision-making, and reflection visible. The post examined an Indonesian study linking technology-supported project work, students’ perceptions of technology, and self-regulation, while acknowledging the limits of cross-sectional, self-reported evidence from one university. The practical implication was to evaluate the learning process alongside the final submission. A project becomes more informative when students document intermediate decisions, explain difficulties, and show how they revised their approach. “Generative AI and Lesson Planning: What Teacher Education Should Learn from ChatGPT” made a related distinction between generating instructional materials and exercising pedagogical judgment. AI-generated lesson plans can provide starting points, but teachers still need to examine accuracy, learning objectives, assessment alignment, difficulty, and suitability for their learners. Teacher education can therefore ask future educators to evaluate and improve generated plans, rather than assess generation alone. “Which Curriculum Model Should You Choose?” broadened the discussion beyond individual AI-supported activities. The comparison included Tyler, Taba, Wheeler, Kerr, backward design, ADDIE, SAM, Bruner, Universal Design for Learning, and Walker. The purpose was to support a reasoned choice among approaches, rather than identify a universally superior model. Educators need to consider their learning objectives, opportunities for revision, learner differences, institutional constraints, and the scale of the design task. For our university community, the shared implication is practical: begin with the competence students should develop, determine acceptable evidence of learning, and then decide which activities and technologies serve those purposes. Schools and AI: setting boundaries while developing literacy October’s school-focused discussions examined two responsibilities: protecting learning and preparing students to understand AI. “When Schools Say No to AI: What Are They Trying to Protect?” considered the arguments surrounding restrictions on student-facing AI. Concerns included cognitive development, dependence on generated answers, privacy, academic integrity, and the displacement of human interaction. The discussion also examined the costs of broad restrictions. Prohibition alone does not teach students how to evaluate AI-generated information, recognize bias, or decide when assistance is appropriate. Restrictions may also leave schools with less visibility into students’ unsupervised use outside the classroom. The useful distinction is between restricting particular applications or learning situations and refusing to teach about AI. A school can preserve independent writing and problem-solving while teaching students how automated systems work and why their outputs require scrutiny. “What Should Schools Teach About AI, and How Should They Teach It?” approached the issue through curriculum. Drawing on Xuyue Xia’s review, the discussion emphasized AI literacy rather than treating every learner as a future developer. Relevant content includes basic concepts, applications, and ethics, supported through different teaching methods, including projects, group work, and practical activities. Together, these pieces point toward a more precise policy question: which uses support learning at a particular age and stage, which require supervision, and which should remain outside the activity? For universities, this also raises a transition issue. We should assess incoming students’ understanding and habits rather than assume prior access to AI has prepared them for responsible academic use. Research and libraries: access, verification, evaluation, and professional capacity Another substantial theme concerned the infrastructure supporting trustworthy research. “Recent Bot Attacks on Libraries” explained how intensive automated traffic can overwhelm catalogues and interrupt legitimate access. The problem extends beyond conventional unauthorized entry into systems. Automated requests can consume resources and make services unavailable to the people libraries serve. Responses must protect infrastructure without unnecessarily excluding legitimate users. “Library Staffing in Crisis: Why Doing More with Less Is No Longer Sustainable” examined the personnel required to maintain academic services. Growing expectations for research support, instruction, digital systems, and specialist expertise do not disappear when staffing declines. The post also challenged the assumption of technology adoption automatically reducing workloads: new systems can generate additional responsibilities for training, troubleshooting, verification, and advanced consultation. “When AI Becomes the Research Assistant: Why the TRACE Project Matters for Academic Libraries” connected these operational concerns with scholarly communication. When an AI assistant retrieves and summarizes publications, researchers may never visit the original source. TRACE addresses questions of provenance, attribution, access, and measurement. The discussion emphasized the need to preserve connections between AI-generated answers and the publications supporting them. “OpenAlex and 61 Journal Lists: A New Way to Evaluate Research Without Relying on One Ranking” extended the theme into research evaluation. The post considered how access to multiple journal lists can make selection criteria more visible. OpenAlex’s documentation makes an important distinction: recording membership in an externally maintained list does not constitute endorsement of the list. Researchers still need to examine the criteria, scope, and purpose behind classifications. “Can AI Screen Thousands of Research Papers Without Missing the Important Ones?” examined MechaScreener and the automation of title-and-abstract screening. In the reported evaluation across ten review collections containing more than 58,000 references, the tool retained all known relevant records and excluded, on average, 61% of irrelevant records. These findings concern the tested collections, not a guarantee of perfect recall in future reviews. The practical implication is to treat automated screening as a component of a documented research method. Researchers should define eligibility criteria, evaluate performance on their own material, preserve decision records, and retain responsibility for the final review. Across these five discussions, faster access and processing did not remove the need for professional judgment. They increased the importance of reliable infrastructure, transparent methods, and adequately supported librarians and researchers. University governance and technology choices: responsibility beyond adoption October’s institutional discussions connected educational purpose with technology selection and governance. “Meet Mistral Large 4” considered European AI development and its relevance to universities. Beyond comparisons of model performance, the post raised questions about multilingual work, open weights, privacy, reproducibility, computing requirements, and costs. Its relevance to institutional decision-making lies in the questions universities should ask before adopting a system, rather than in treating a benchmark ranking as sufficient justification. “From AI Adoption to Institutional Responsibility: What Universities Can Learn from Michigan, MIT, and Brown” extended earlier discussions of university strategy. The comparison connected educational redesign with the institutional conditions required to support responsible practice. Michigan’s six guiding principles emphasize human-centered AI, institutional mission, critical thinking and AI literacy, purposeful improvement, ethics and transparency, and privacy. The university explicitly describes these principles as a basis for disciplinary discussion, rather than a replacement for operational policy. People retain responsibility for decisions and outcomes. The connection with the earlier MIT and Brown discussions is substantive. Faculty need support for curriculum and assessment redesign, while institutions need shared expectations, suitable tools, and opportunities for disciplinary judgment. Responsibility cannot depend entirely on each instructor independently following technological developments and resolving every new problem. For UE Varna, the practical task is to connect principles with implementation: who approves particular uses, what guidance students receive, how faculty receive support, how sensitive information is protected, and how educational outcomes are evaluated. What connects October’s discussions? October’s themes suggest an institutional agenda built around evidence of human capability. For teaching, we should identify what students need to understand and demonstrate independently, alongside what they should accomplish with appropriate AI support. For assessment, we should make reasoning, verification, revision, and decision-making visible. A finished answer should not serve as the only evidence of learning. For research, we should document how AI contributes to searching, screening, analysis, and writing, while preserving traceability to original evidence. For libraries and university services, we should match new responsibilities with professional capacity, infrastructure, and realistic workloads. For governance, we should translate broad principles into decisions people can explain, review, and improve. The questions developed throughout October are therefore connected. AI literacy depends on opportunities to exercise judgment. Effective teaching depends on deliberate learning design. Trustworthy research depends on verification and transparent methods. Institutional responsibility depends on providing the conditions under which these practices become possible. The next step is to apply this discussion to specific courses, research workflows, and university services. When AI makes academic work easier to complete, what evidence will show our students are learning more and our research is becoming more trustworthy? | Тематичен обзор за периода 1–30 октомври 2026 г. Какво трябва да учат студентите, когато изкуственият интелект може да създава отговори, да пише доклади, да извършва предварителен подбор на научни публикации и да генерира учебни материали? Как преподавателите да разграничават полезната подкрепа от заместването на ученето? И кой трябва да носи отговорност за решенията, свързани с тези технологии? Тези въпроси свързват октомврийските дискусии в блога Science & Research на Икономически университет – Варна. Месецът започна с „Септември в блога Science & Research: от използването на ИИ към проектирането на взаимодействието между човека и ИИ“. Този ретроспективен обзор очерта контекста за октомври: образователните цели трябва да определят ролята на ИИ, вместо технологичните възможности да определят посоката на образованието. През октомври развихме тази теза чрез темите за грамотността в областта на ИИ, изследванията на ученето, проектирането на учебни програми, ограниченията в училищата, научната комуникация и университетското управление. Грамотност в областта на ИИ: от познаване на инструментите към доказуема компетентност Няколко публикации разгледаха разликата между използването на ИИ и демонстрирането на информирана и отговорна употреба. „Грамотност в областта на ИИ 101: от несигурност към информираност, 2026“ предложи въвеждащи материали чрез видео и съпътстващи планове. „Студентите използват ИИ, но знаят ли кога е подходящо?“ разгледа несигурността около ежедневните студентски практики. Публикацията представи изследване, според което студентите подкрепят по-ясни университетски насоки, като същевременно изразяват опасения относно делегирането на писането, творчеството и мисленето на ИИ. Желанието за правила не означава равностойна подкрепа за забрана. „Отвъд промптовете: защо критичната грамотност в областта на ИИ е важна за преподавателите и студентите“ представи рамката на The Open University. Дискусията разшири разбирането за грамотността отвъд работата с инструменти, като включи оценяването на доказателства, етиката, достъпността, приобщаването и по-широките последици от автоматизираните системи. Например способността на студент да генерира маркетингов анализ не показва дали той разпознава неподкрепените твърдения или културните допускания в анализа. „Отвъд промптовете: 14 умения за работа с ИИ, които всеки студент трябва да развие“ разгледа компетентността чрез практическите формулировки „Мога да…“ на Андрю Мейнард. Акцентът се насочи към способности, които студентите могат да демонстрират: избор на подходящи инструменти, проверка на източници, подобряване на генерирано съдържание, контрол върху ИИ агенти, представяне на резултати и поемане на отговорност. Познаването на приложение придобива образователна стойност, когато студентите могат да обяснят решенията си и да оценят последствията. По-късната дискусия „От ежедневното използване на ИИ към доказуема компетентност: преосмисляне на университетските задания“ пренесе тези въпроси към оценяването. Основното предложение беше студентите да демонстрират проверка, аргументация, коригиране и обосновано приемане или отхвърляне на предложенията на ИИ. При маркетингово задание това може да означава оценяване на генерирани от ИИ клиентски сегменти спрямо данни от анкета. При анализ на данни студентите могат да открият неподходяща статистическа процедура и да обяснят как я коригират. Оценяването трябва да изследва преценката на студента, вместо да възнаграждава убедителното звучене на генерирания отговор. Общият приоритет е ясен: да учим студентите да поставят под въпрос отговорите на ИИ, да разпознават ограниченията и да поемат отговорност в рамките на своята дисциплина. Учене, критично мислене и рискът от изпълнение на задачи без усилие Втора група публикации разгледа дали по-доброто изпълнение на задачи с помощта на ИИ води до усвояване на знания и умения. „ИИ преподавателите през 2026 г.: обещанието остава, но доказателствата променят въпроса“ съпостави обещанието за персонализирана подкрепа с данни от университетски експеримент. Достъпът до ИИ преподавател, интегриран в учебен курс, не подобрява автоматично резултатите. Дискусията подчерта значението на педагогическия дизайн, начина на използване от студентите и оценяването на самостоятелното разбиране, трайността на знанията и приложението им в нови ситуации. Способният езиков модел не се превръща в ефективен преподавател само защото получава учебните материали. „Учат ли се студентите да мислят критично, или се учат да създават отговори?“ се върна към рамката на Питър Фасиоун. Интерпретацията, анализът, оценяването, извеждането на заключения, обяснението и саморегулацията помогнаха да уточним каква интелектуална работа трябва да демонстрират студентите. Публикацията разграничи притежаването на умения за оценяване от решението те да бъдат приложени. Знанието, че ИИ понякога измисля източници, има ограничена стойност, когато студентът предава непроверена библиография. По-късната публикация „Когато ИИ мисли вместо нас, какво се случва с ученето на студентите?“ разгледа прехвърлянето на когнитивни задачи към технологии и самостоятелността на критичната преценка. Позовавайки се на систематичен обзор, дискусията избегна опростеното твърдение, че ИИ е полезен или вреден по принцип. ИИ може да подпомага обратната връзка, разбирането на понятия и рефлексията. Безкритичното разчитане на него може да съпътства повърхностна обработка на информацията и по-слабо участие в оценяването на съдържанието. Обзорът отдава особено значение на дизайна на обучението, грамотността в областта на ИИ и практиките за оценяване. „Илюзията за учене: когато ИИ прави образованието прекалено лесно“ разви разграничението между изпълнението на задача и придобиването на компетентност. Въз основа на препринт на Brcic и Frljic дискусията разгледа мястото на ИИ подкрепата в учебния процес. Предложеният подход запазва първоначалния самостоятелен опит и заключителната проверка без помощ, като допуска насочвана подкрепа между тях. Това е предложение за дизайн на обучението, а не доказателство за универсално ефективна последователност на преподаване. Дискусията от 30 октомври „Когато ИИ може да отговори, какво трябва да продължат да учат студентите?“ свърза тези въпроси с интервюто на Дан Шварц за EPFL. Шварц подчерта знанията, от които студентите се нуждаят, за да тълкуват отговорите на ИИ, да разпознават непознати ситуации и да продължават да учат. Той разграничи оценяването на вече придобити знания от оценяването на способността да се научи нещо ново. Следователно въпросът надхвърля предотвратяването на академични нарушения: университетите трябва да определят какви форми на разбиране и адаптивност да развиват техните курсове. Взети заедно, тези дискусии предлагат практичен критерий за преподаването с подкрепа от ИИ: да изследваме какво студентите разбират, обясняват и прилагат, вместо да правим изводи за ученето единствено от качеството на предадения продукт. Преподаване и проектиране на учебни програми: ясно обосноваване на образователните решения Октомврийските дискусии разгледаха и начините, по които преподавателите могат да променят учебните дейности. „Когато ИИ може да прави повече, студентите трябва да учат по различен начин: проектно базирано обучение, компетентности и приемане на технологиите“ свърза работата по реални проекти със саморегулираното учене. Проектите могат да направят видими планирането, сътрудничеството, оценяването на доказателства, вземането на решения и рефлексията. Публикацията разгледа индонезийско изследване, което свързва технологично подпомаганата проектна работа, възприятията на студентите за технологиите и саморегулацията. Същевременно отчете ограниченията на еднократно проведено изследване, основано на самооценки от един университет. Практическият извод е да оценяваме учебния процес наред с крайния резултат. Проектът предоставя повече информация за ученето, когато студентите документират междинните решения, обясняват затрудненията и показват как са променили подхода си. „Генеративен ИИ и планиране на уроци: какво може да научи подготовката на учители от ChatGPT“ направи сходно разграничение между генерирането на учебни материали и педагогическата преценка. Плановете за уроци, създадени от ИИ, могат да служат като отправна точка. Учителите трябва да проверят точността, учебните цели, съответствието с оценяването, трудността и пригодността за своите ученици. Затова подготовката на бъдещи учители може да включва оценяване и подобряване на генерирани планове, вместо да оценява единствено създаването им. „Кой модел за проектиране на учебна програма да изберете?“ разшири дискусията отвъд отделните дейности с подкрепа от ИИ. Сравнението включи моделите на Тайлър, Таба, Уилър и Кер, обратния дизайн, ADDIE, SAM, Брунер, универсалния дизайн за учене и Уокър. Целта беше да се подпомогне обоснованият избор между подходи, вместо да се посочи универсално най-добър модел. Преподавателите трябва да отчетат учебните цели, възможностите за преработване, различията между обучаемите, институционалните ограничения и обхвата на задачата по проектиране. За нашата университетска общност общият извод е практически: да започнем с компетентността, която студентите трябва да развият, да определим какви доказателства ще приемем за постигнато учене и след това да изберем дейностите и технологиите, които обслужват тези цели. Училищата и ИИ: определяне на граници и развитие на грамотност Дискусиите за училищното образование през октомври разгледаха две отговорности: да защитим ученето и да подготвим учениците да разбират ИИ. „Когато училищата казват „не“ на ИИ: какво се опитват да защитят?“ разгледа аргументите около ограниченията върху ИИ приложенията, предназначени за пряко използване от ученици. Сред опасенията бяха когнитивното развитие, зависимостта от генерирани отговори, защитата на личните данни, академичната почтеност и изместването на човешкото общуване. Дискусията разгледа и недостатъците на общите ограничения. Забраната сама по себе си не учи учениците да оценяват генерирана от ИИ информация, да разпознават пристрастия или да решават кога помощта е подходяща. Ограниченията могат също да намалят възможността на училищата да разбират как учениците използват ИИ без надзор извън класната стая. Полезното разграничение е между ограничаването на конкретни приложения или учебни ситуации и отказа да се преподава за ИИ. Училището може да запази самостоятелното писане и решаване на задачи, като същевременно обяснява как работят автоматизираните системи и защо техните резултати изискват проверка. „Какво трябва да преподават училищата за ИИ и как да го преподават?“ разгледа въпроса през учебното съдържание. Въз основа на обзора на Xuyue Xia дискусията постави акцент върху грамотността в областта на ИИ, вместо да разглежда всеки ученик като бъдещ разработчик. Подходящото съдържание включва основни понятия, приложения и етика, преподавани чрез различни методи, включително проекти, групова работа и практически дейности. Заедно тези публикации насочват към по-прецизен въпрос за образователната политика: кои приложения подпомагат ученето на конкретна възраст и етап, кои изискват надзор и кои не трябва да участват в съответната дейност? За университетите възниква и въпросът за прехода от училище към висше образование. Трябва да оценяваме разбирането и навиците на новоприетите студенти, вместо да приемаме, че предишният им достъп до ИИ ги е подготвил за отговорна академична работа. Научни изследвания и библиотеки: достъп, проверка, оценяване и професионален капацитет Друга съществена тема беше инфраструктурата, която поддържа надеждните научни изследвания. „Скорошни бот атаки срещу библиотеките“ обясни как интензивният автоматизиран трафик може да претовари каталозите и да прекъсне достъпа на легитимни потребители. Проблемът надхвърля традиционните опити за неоторизирано проникване в системи. Автоматизираните заявки могат да изчерпят ресурсите и да направят услугите недостъпни за хората, на които библиотеките служат. Защитните мерки трябва да предпазват инфраструктурата, без ненужно да ограничават легитимния достъп. „Кадровата криза в библиотеките: защо моделът „повече работа с по-малко ресурси“ вече не е устойчив“ разгледа необходимите човешки ресурси за поддържане на академичните услуги. Нарастващите очаквания за изследователска подкрепа, обучения, цифрови системи и специализирана експертиза не изчезват с намаляването на персонала. Публикацията оспори и допускането, че въвеждането на технологии автоматично намалява натоварването. Новите системи могат да създадат допълнителни отговорности за обучение, отстраняване на проблеми, проверка и специализирани консултации. „Когато ИИ стане научен асистент: защо проектът TRACE е важен за академичните библиотеки“ свърза тези оперативни въпроси с научната комуникация. Когато ИИ асистент извлича и обобщава публикации, изследователят може изобщо да не посети оригиналния източник. TRACE разглежда въпроси за произхода на информацията, признаването на авторството, достъпа и измерването на използването. Дискусията подчерта необходимостта да запазим връзките между генерираните от ИИ отговори и публикациите, които ги подкрепят. „OpenAlex и 61 списъка със списания: нов начин за оценяване на научните изследвания без зависимост от една класация“ разшири темата към научното оценяване. Публикацията разгледа как достъпът до множество списъци със списания може да направи критериите за подбор по-видими. Документацията на OpenAlex прави важно разграничение: отбелязването, че дадено списание присъства във външно поддържан списък, не означава одобрение на този списък. Изследователите трябва да разгледат критериите, обхвата и целта на съответните класификации. „Може ли ИИ да извършва предварителен подбор на хиляди научни публикации, без да пропуска важните?“ разгледа MechaScreener и автоматизирането на предварителния подбор по заглавия и резюмета. При докладваното оценяване върху десет колекции за литературни обзори с общо над 58 000 библиографски записа инструментът запазва всички предварително известни релевантни записи и изключва средно 61% от нерелевантните. Тези резултати се отнасят до тестваните колекции и не гарантират, че инструментът няма да пропусне релевантни публикации при бъдещи обзори. Практическият извод е автоматизираният подбор да се разглежда като компонент на документиран изследователски метод. Изследователите трябва да определят критерии за включване, да проверяват работата на инструмента върху собствените си материали, да съхраняват записите на решенията и да носят отговорност за окончателния обзор. И в петте дискусии по-бързият достъп и обработка не премахват необходимостта от професионална преценка. Те увеличават значението на надеждната инфраструктура, прозрачните методи и адекватната подкрепа за библиотекарите и изследователите. Университетско управление и избор на технологии: отговорност отвъд внедряването Институционалните дискусии през октомври свързаха образователните цели с избора на технологии и управлението. „Запознайте се с Mistral Large 4“ разгледа европейското развитие на ИИ и значението му за университетите. Освен сравненията между моделите публикацията постави въпроси за многоезичната работа, отворените тегла, поверителността, възпроизводимостта, изчислителните изисквания и разходите. Значението ѝ за институционалните решения е във въпросите, които университетите трябва да зададат преди внедряване, вместо да приемат позицията в сравнителен тест за достатъчно основание. „От внедряване на ИИ към институционална отговорност: какво могат да научат университетите от Мичиган, MIT и Браун“ продължи предишните дискусии за университетските стратегии. Сравнението свърза промените в образованието с институционалните условия, необходими за отговорна практика. Шестте водещи принципа на Мичиганския университет поставят акцент върху ИИ, ориентиран към човека, институционалната мисия, критичното мислене и грамотността в областта на ИИ, целенасоченото подобряване, етиката и прозрачността, както и защитата на личните данни. Университетът изрично представя принципите като основа за обсъждане в отделните дисциплини, а не като заместител на конкретните правила и процедури. Хората запазват отговорността за решенията и резултатите. Връзката с по-ранната публикация „Университетът Браун и MIT задават един и същ въпрос за ИИ, но не дават съвсем еднакъв отговор“ е съществена. Преподавателите се нуждаят от подкрепа за преработване на учебните програми и оценяването. Институциите се нуждаят от общи очаквания, подходящи инструменти и възможности за преценка според спецификата на дисциплината. Отговорността не може да зависи изцяло от способността на всеки преподавател самостоятелно да следи технологичните промени и да решава всеки нов проблем. За ИУ – Варна практическата задача е да свържем принципите с прилагането: кой одобрява конкретните приложения, какви насоки получават студентите, как преподавателите получават подкрепа, как защитаваме чувствителната информация и как оценяваме образователните резултати. Какво свързва октомврийските дискусии? Октомврийските теми очертават институционални приоритети, основани на доказателства за човешките компетентности. В преподаването трябва да определим какво студентите следва да разбират и демонстрират самостоятелно, както и какво трябва да постигат с подходяща подкрепа от ИИ. В оценяването трябва да направим видими аргументацията, проверката, преработването и вземането на решения. Готовият отговор не трябва да служи като единствено доказателство за учене. В научните изследвания трябва да документираме приноса на ИИ към търсенето, предварителния подбор, анализа и писането, като запазваме проследимостта до оригиналните доказателства. В библиотеките и университетските услуги трябва да съобразим новите отговорности с професионалния капацитет, инфраструктурата и реалистичното натоварване. В управлението трябва да превърнем общите принципи в решения, които хората могат да обясняват, преразглеждат и подобряват. Въпросите, развити през октомври, са взаимосвързани. Грамотността в областта на ИИ зависи от възможностите за упражняване на преценка. Ефективното преподаване зависи от целенасочения дизайн на обучението. Надеждните изследвания зависят от проверката и прозрачните методи. Институционалната отговорност изисква да осигурим условията, при които тези практики стават възможни. Следващата стъпка е да приложим тази дискусия към конкретни курсове, изследователски процеси и университетски услуги. Когато ИИ улеснява изпълнението на академичните задачи, какви доказателства ще покажат, че студентите ни научават повече, а изследванията ни стават по-надеждни? |