Преподаване и учене с ИИ: Мозаечният подход

Plamen MILTENOFF

Podcast

Подкаст

Chris Ostro’s “Mosaic Approach to GenAI in the Classroom” starts from a practical observation: no single policy, AI detector, assessment format, or academic-integrity procedure can adequately address student use of generative AI. Instead, instructors need several complementary strategies that together provide a clearer picture of how students work, what they learn, and where AI fits into that process.
Ostro developed the approach after initial strict control. He encountered student papers containing unusual sources, missing assignment requirements, skipped drafts and peer reviews, and polished final submissions that did not match the preceding work. His first response was to ban GenAI, run assignments through multiple detection systems, investigate suspected cases, and file academic-integrity reports. Although this sometimes identified misconduct, the process proved unsustainable. Work increased from several to more than 20 hours, while the constant suspicion damaged the relationship between instructor and students. Teaching became a process of “cops and robbers.”
This experience led Ostro to reject simple prohibition. Students already use GenAI extensively, some uses can support learning, and many students want guidance about appropriate use. A ban does little to help them distinguish between AI that supports thinking and AI that performs the thinking for them. His alternative resembles a harm-reduction approach: acknowledge students’ access to AI, establish clear boundaries, teach responsible use, and intervene when students cross those boundaries.
AI literacy therefore becomes the most important part of the mosaic. Ostro wants students to use AI efficiently while remaining skeptical of its output. This is difficult because evaluating AI requires disciplinary knowledge and students are still developing it. He addresses the problem through activities in which students critique AI-generated interpretations of something they already understand well, themselves. Students compare their own plans, interests, or identities with profiles and recommendations produced by ChatGPT. Because they can immediately see exaggerations, omissions, and incorrect assumptions, they experience the limitations of AI directly.
This creates a parallel requirement for faculty. Instructors cannot teach meaningful AI literacy without understanding and using the tools in practice. They do not need technical expertise, but they need experience to understand students’ work with GenAI, systems failures, and productive AI-supported learning might look like within their discipline.
Transparency forms another central part of the approach. Ostro uses a short AI disclosure form in which students identify the tools they used, explain their use of it, and, where appropriate, provide links to AI conversations or document histories. In return, honest disclosure does not automatically trigger an academic-integrity procedure. If a student has relied too heavily on AI, Ostro may require revision or discussion instead. The objective is to create conditions in which students can talk honestly about their AI use.
AI detection still has a role, but the transcript makes Ostro’s position more nuanced than a simple rejection of detectors. He treats detection results as signals rather than proof. A detector may indicate where an instructor should look more closely, but a score cannot establish misconduct on its own. He may compare several detection systems, examine patterns across assignments, and combine those results with other evidence. Human intuition is not treated as a reliable alternative either. Faculty also make mistakes when trying to identify AI-generated writing.
Process evidence adds another part of the mosaic. Google Docs and Microsoft 365 revision histories, as well as document playback tools, can help show how work developed. Yet these records are imperfect. A large block of text may appear because a student worked offline, and revision histories can be manipulated. Process tracking therefore contributes evidence without providing certainty.
When several signals raise concerns, Ostro recommends talking with the student before beginning a formal academic-integrity process. The instructor can ask the student to explain how an argument developed, what AI contributed, how suggestions were evaluated, or why the document history looks unusual. These conversations often reveal misunderstandings about acceptable use and provide an opportunity to clarify expectations. They also move the interaction away from accusation and toward learning.
Second chances are therefore intentional. Ostro generally avoids escalating a case based on a single questionable assignment. If a student acknowledges crossing a boundary, the instructor can clarify the rule and allow the student to correct the behaviour. Repeated behaviour after that conversation provides stronger evidence of deliberate misconduct. The approach combines accountability with recognition that students are still learning how to work with these technologies.
Assessment design also matters. Ostro increasingly combines written work with presentations, visual tasks, reflection, experiential learning, and explicit critique of AI output. The aim is not to create “AI-proof” assignments. Instead, different activities provide different evidence of learning and make students’ thinking more visible.
This connects with one of the most important distinctions behind the approach: better AI-assisted performance does not necessarily mean better learning. Research discussed by Ostro shows that AI can help students perform tasks more successfully while potentially weakening what they retain when the support disappears. The important pedagogical question is therefore not simply whether students used AI, but what they can still understand, explain, evaluate, and perform independently.
Ostro reports encouraging results from the approach. More students disclose AI use, fewer situations require formal academic-integrity procedures, grading consumes less time than his original investigative model, and conversations about AI have become part of teaching rather than policing. He also stresses the limitations. The approach still requires instructor time and AI knowledge, detection remains uncertain, technology changes quickly, and the model may be difficult to scale to large classes. Different disciplines, student groups, and course designs will require different versions of the mosaic.
The broader lesson for higher education is therefore not to search for a universal AI policy. Universities can establish shared principles around transparency, privacy, academic integrity, AI literacy, and human responsibility while allowing disciplines and instructors to design approaches appropriate to their learning outcomes.
The central question then changes from “Can we prove that a student used AI?” to “How did the student use AI, what learning took place, and can the student demonstrate the knowledge and judgment the course is designed to develop?”
That shift captures the main value of the Mosaic Approach. GenAI becomes an issue of teaching and learning first, while detection and disciplinary procedures remain supporting elements rather than the organizing principle of the classroom.

„Мозаечният подход към генеративния ИИ в учебната зала“ на Крис Остро тръгва от едно практическо наблюдение: нито една политика, система за разпознаване на ИИ, форма на оценяване или процедура за академична почтеност не може сама по себе си да отговори адекватно на начина, по който студентите използват генеративен ИИ. Вместо това преподавателите се нуждаят от няколко взаимно допълващи се стратегии, които заедно дават по-ясна представа как работят студентите, какво научават и какво място заема ИИ в този процес.
Остро разработва подхода след период, в който първоначално прилага строг контрол. Той се сблъсква със студентски разработки, съдържащи необичайни източници, неизпълнени изисквания на заданията, пропуснати чернови и партньорски рецензии, както и добре оформени финални текстове, които не съответстват на предходната работа на студентите. Първата му реакция е да забрани генеративния ИИ, да проверява заданията чрез няколко системи за разпознаване на ИИ, да разследва съмнителни случаи и да подава сигнали за нарушения на академичната почтеност. Макар този подход понякога да установява нарушения, той се оказва неустойчив. Работата по проверката нараства от няколко часа до над 20 часа, а постоянната подозрителност уврежда отношенията между преподавателя и студентите. Преподаването започва да прилича на игра на „стражари и апаши“.
Този опит кара Остро да се откаже от простата забрана. Студентите вече използват генеративен ИИ широко, някои приложения могат да подпомагат ученето, а много студенти търсят насоки за допустимата му употреба. Забраната почти не им помага да разграничат ИИ, който подкрепя мисленето, от ИИ, който мисли вместо тях. Алтернативата на Остро наподобява подход за намаляване на риска: да се приеме, че студентите имат достъп до ИИ, да се определят ясни граници, да се преподава отговорна употреба и да се реагира, когато тези граници бъдат преминати.
Затова ИИ грамотността се превръща в най-важната част от мозайката. Остро иска студентите да използват ИИ ефективно, като същевременно подхождат критично към неговите резултати. Това е трудно, защото оценяването на генерирано от ИИ съдържание изисква знания в съответната дисциплина, а студентите все още ги изграждат. Той работи по този проблем чрез дейности, в които студентите критикуват генерирани от ИИ интерпретации на нещо, което познават добре, самите себе си. Те сравняват собствените си планове, интереси или представи за себе си с профили и препоръки, създадени от ChatGPT. Тъй като лесно разпознават преувеличенията, пропуските и погрешните предположения, те пряко се сблъскват с ограниченията на ИИ.
Това създава и паралелно изискване към преподавателите. Те не могат да преподават смислена ИИ грамотност, без да разбират и използват тези инструменти на практика. Не е необходима техническа експертиза, но е нужен достатъчен опит, за да се разбере как студентите работят с генеративен ИИ, къде системите допускат грешки и как би изглеждало продуктивното учене с подкрепата на ИИ в рамките на конкретната дисциплина.
Прозрачността е друга централна част от подхода. Остро използва кратък формуляр за деклариране на използването на ИИ, в който студентите посочват какви инструменти са използвали, обясняват за какви цели са ги използвали и, когато е уместно, предоставят връзки към разговори с ИИ или историята на даден документ. В замяна честното деклариране не води автоматично до процедура за нарушение на академичната почтеност. Ако студент е разчитал прекомерно на ИИ, Остро може да поиска преработка на част от работата или разговор с него. Целта е да се създадат условия, в които студентите могат открито да обсъждат използването на ИИ.
Системите за разпознаване на ИИ все още имат роля, но позицията на Остро е по-нюансирана от пълното им отхвърляне. Той разглежда резултатите от тях като сигнали, а не като доказателства. Висок резултат от даден детектор може да покаже на преподавателя къде да погледне по-внимателно, но не може сам по себе си да докаже нарушение. Остро може да сравнява резултатите от няколко системи, да следи модели в различни задания и да съчетава тези резултати с други доказателства. Човешката интуиция също не се приема като надеждна алтернатива. Преподавателите също грешат, когато се опитват да разпознаят текст, генериран от ИИ.
Доказателствата за процеса на работа добавят още една част към мозайката. Историята на редакциите в Google Docs и Microsoft 365, както и инструменти за възпроизвеждане на създаването на документа, могат да покажат как е развиван даден текст. Тези следи обаче не са безпогрешни. Голям блок текст може да се появи наведнъж, ако студентът е работил офлайн, а историята на редакциите може да бъде манипулирана. Затова проследяването на процеса дава допълнителни доказателства, но не предоставя абсолютна сигурност.
Когато няколко сигнала създават съмнение, Остро препоръчва разговор със студента преди започване на официална процедура за нарушение на академичната почтеност. Преподавателят може да поиска студентът да обясни как е развил даден аргумент, какъв е приносът на ИИ, как са оценени предложенията му или защо историята на документа изглежда необичайно. Тези разговори често разкриват неразбиране на правилата за допустима употреба и дават възможност очакванията да бъдат изяснени. Те също така изместват взаимодействието от обвинение към учене.
Вторият шанс затова е преднамерена част от подхода. Остро обикновено избягва да ескалира даден случай въз основа на едно единствено съмнително задание. Ако студентът признае, че е преминал определена граница, преподавателят може да изясни правилото и да му позволи да коригира поведението си. Повтарянето на същото поведение след този разговор дава по-силни основания да се смята, че нарушението е съзнателно. Подходът съчетава отговорност с признанието, че студентите все още се учат как да работят с тези технологии.
Дизайнът на оценяването също има значение. Остро все по-често съчетава писмени задания с презентации, визуални задачи, рефлексия, учене чрез преживяване и изрична критика на резултатите, генерирани от ИИ. Целта не е да се създават „устойчиви на ИИ“ задания. Различните дейности предоставят различни доказателства за ученето и правят мисловния процес на студентите по-видим.
Това е свързано с едно от най-важните разграничения в основата на подхода: по-доброто представяне с помощта на ИИ не означава непременно по-добро учене. Изследванията, обсъждани от Остро, показват, че ИИ може да помогне на студентите да изпълняват задачите по-успешно, но в същото време да отслаби това, което те запазват като знания и умения, когато подкрепата на ИИ бъде премахната. Затова важният педагогически въпрос не е само дали студентите са използвали ИИ, а какво могат самостоятелно да разберат, обяснят, оценят и направят.
Остро отчита положителни резултати от подхода. Повече студенти декларират използването на ИИ, по-малко случаи изискват официални процедури за академична почтеност, оценяването отнема по-малко време в сравнение с първоначалния му разследващ модел, а разговорите за ИИ се превръщат в част от преподаването, вместо в част от контрола. Той подчертава и ограниченията. Подходът все още изисква време и познания за ИИ от страна на преподавателя, системите за разпознаване остават несигурни, технологиите се променят бързо, а прилагането на модела в големи групи може да бъде трудно. Различните дисциплини, групи студенти и модели на преподаване ще изискват различни версии на мозайката.
По-широкият извод за висшето образование е, че не е необходимо да се търси една универсална политика за ИИ. Университетите могат да установят общи принципи за прозрачност, защита на личните данни, академична почтеност, ИИ грамотност и човешка отговорност, като същевременно позволят на отделните дисциплини и преподаватели да разработват подходи, съобразени с конкретните резултати от обучението.
Така централният въпрос се променя от „Можем ли да докажем, че студентът е използвал ИИ?“ към „Как студентът е използвал ИИ, какво е научил в процеса и може ли да демонстрира знанията и преценката, които курсът цели да развие?“
Именно тази промяна обобщава основната стойност на Мозаечния подход. Генеративният ИИ се разглежда преди всичко като въпрос на преподаване и учене, докато системите за разпознаване и дисциплинарните процедури остават помощни елементи, а не основен принцип, около който се организира учебният процес.