Август в нашия НИИ блог: От използването на ИИ към решението какво трябва да остане човешко
| August 2026 brought another intensive month of discussion on the Science & Research Blog at the University of Economics, Varna. Across the month, one change became increasingly visible. The conversation around artificial intelligence is moving beyond questions such as “Which AI tool should we use?” or “How should we write a better prompt?” The more difficult questions now concern assessment, research quality, institutional responsibility, human judgment, and the purpose of university education when AI can perform a growing range of cognitive tasks. The August posts can be organized around six connected themes. 1. AI, teaching, and faculty capability Several posts examined what instructors need in order to use AI meaningfully in education. What Do Teachers Really Know About Artificial Intelligence? asked whether universities understand the AI knowledge and competencies of their own faculty. Training cannot begin and end with access to tools. Institutions need to know what instructors understand about AI, where their knowledge gaps are, and what forms of professional development they need. Copilot or Gemini? Faculty Can Organize AI-Supported Work Across Two Ecosystems shifted the discussion toward everyday academic work. Rather than treating individual chatbots as isolated tools, faculty can think in terms of ecosystems connecting documents, email, data, teaching materials, and AI assistance. AI Training for Faculty Professional Development: Current Global Models, Evidence, and Institutional Design examined international approaches to faculty development. Short introductions to AI create awareness, but sustained change requires applied work, course and assessment redesign, peer exchange, and follow-up. Prompt Engineering for Educators: PARTS, CLEAR, REFINE, and Responsible AI Use returned to one of the most visible AI skills, prompting. The post presented prompting as an iterative process involving task definition, context, experimentation, evaluation, verification, and human judgment. Teaching and Learning with AI: The Mosaic Approach added another perspective. No single AI policy, detector, assignment format, or integrity rule can address every classroom situation. Instructors need combinations of strategies that make student learning and AI use more visible. 2. Assessment in an age of increasingly capable AI Assessment became one of the strongest themes of the month. Validity of Assessment Design Lessons started with a question that predates generative AI: does an assessment measure what we claim it measures? AI makes this question more urgent because a polished submission may no longer provide reliable evidence of the student’s underlying knowledge or capability. Generative AI has reopened an old question in higher education: what does a student’s assessment result actually tell us about what the student knows and can do? developed the same issue further. The problem is increasingly one of inference. What conclusions can an instructor legitimately draw from the submitted work? When AI Agents Can Complete the Assignment: What Changes for Assessment? moved from generative AI to agentic systems. If an AI system can plan, research, write, revise, and complete substantial parts of an assignment, universities need assessment designs that provide stronger evidence of student learning. From AI Assistance to AI Participation: What Agentic AI Means for Online Higher Education extended this problem to online courses. AI agents can increasingly interact with digital learning environments and potentially complete activities that previously required direct student participation. AI Grading vs Human Grading: What a Greek Study Tells Us About Assessment examined the opposite side of the assessment process. AI is becoming a potential evaluator as well as a tool used by students. A study comparing human grading with GPT-5.0, Gemini, and DeepSeek showed that different AI graders can produce different patterns of judgment. Consistency, therefore, cannot automatically be treated as validity. Together, these posts shift the discussion from detecting AI toward a more fundamental question: what evidence should universities require before claiming that learning has occurred? 3. Research methods, evidence, and research judgment August also focused strongly on researchers and doctoral students. From Assumptions to Research Questions: Using Problematization to Develop Original Studies presented an alternative to the familiar search for a “gap in the literature.” Researchers can also develop original questions by identifying assumptions that a research field takes for granted and asking whether those assumptions should continue to shape how a phenomenon is studied. Scopus or Web of Science? The Better Question Is: What Are You Trying to Do? challenged another familiar academic shortcut. Neither database represents a universal measure of research quality. Their usefulness depends on whether a researcher wants to search literature, track citations, identify journals, analyze research output, or support another research task. From AI Summary to Research Judgment: Four Checks for Reading Academic Articles addressed a growing research problem. AI can summarize papers quickly, but research competence requires more than receiving a summary. Researchers still need to examine the research question, methodology, evidence, and relationship between the findings and the conclusions. SciTrue: Can AI Help Us Check Scientific Claims? introduced a more specialized use of AI. Instead of asking AI to generate academic text, researchers can use AI-supported systems to examine whether published evidence supports a particular scientific claim. AI Business Research Digest presented another research resource, developed by the Accounting AI Lab at UT Dallas. The database helps researchers locate AI-related business research across fields and understand how large language models function within individual studies. Social Media for Researchers: Finding People, Ideas, Sources, and Emerging Topics expanded the research toolkit beyond conventional academic databases. LinkedIn, Bluesky, Mastodon, and related platforms can help researchers identify people, discussions, terminology, reports, and emerging topics. Social media results should serve as research leads rather than final evidence. MatrAIx and Marketing Research: What 8.3 Billion AI Personas Can, and Cannot, Tell Us examined a different methodological frontier: synthetic respondents and AI personas. Such systems offer possibilities for experimentation and exploratory research, but researchers need to distinguish simulation from evidence about real people. 4. AI literacy, provenance, and responsible use Some of the month’s posts examined what responsible AI use requires beyond prompting. The Books We Sliced to Build the Mind: Anthropic’s “Project Panama” and the Future of AI Literacy used the controversy around AI training data to raise questions about copyright, provenance, and what users should understand about how AI systems are created. AI Watermarks Are Coming to Academia. The Bigger Question Is Provenance examined emerging approaches to identifying AI-generated content. Watermarks may become part of the technical infrastructure surrounding AI, but knowing where content comes from, how it was created, and how it changed may matter more than attempting to attach a simple AI or human label. AI Watermarks, Provenance, and the Classroom: From Infrastructure to Pedagogy then translated the issue into teaching. Provenance can become part of AI literacy. Students can learn to document their use of AI, distinguish their contribution from machine-generated material, and provide evidence of the process behind a final product. These discussions point toward a more mature conception of AI literacy. Knowing how to operate an AI system matters, but so do verification, attribution, documentation, judgment, and responsibility. 5. From individual AI adoption to institutional strategy Another group of posts moved from individual users toward university-level decisions. AI in higher education is moving from experimentation toward institutional decision-making organized several earlier discussions around major institutional choices involving infrastructure, governance, AI fluency, assessment, workforce preparation, agents, and equity. When Academia and Industry Face the Same AI Questions showed how universities and organizations increasingly confront similar problems. Both need to decide which tasks AI should perform, where humans should retain control, what competencies employees and graduates need, and how responsibility should be assigned. AI Is Auditing Business Schools: What Should UE Varna Learn? focused these questions on business education. When AI can produce reports, cases, market analyses, recommendations, and presentations, business schools need to reconsider which forms of student work still demonstrate meaningful professional competence. AI Tutors in Higher Education: Personalization, Deepfakes, and the Need for Governance examined another institutional decision. AI tutors can provide scalable and personalized support, but synthetic voices, avatars, and simulated instructors raise questions concerning disclosure, trust, identity, privacy, and institutional responsibility. Syllabus Needs a Chatbot: From Course Document to Student Support Tool offered a smaller but concrete example of institutional change. Course information can move from a static document toward an interactive support resource, provided instructors maintain control over authoritative course information. 6. What should universities preserve when AI can do more of the work? The final group of August posts raised the broadest questions. GenAI Can Improve Educational Outcomes, but Pedagogy Still Decides examined evidence suggesting that generative AI can support learning, while emphasizing that outcomes depend on how educators integrate AI into teaching rather than on access to the technology alone. When AI Can Do the Work: Bill Gates on Jobs, Education, and What We Should Protect considered a larger social question. If AI increasingly performs cognitive work, societies need to decide which activities should remain human responsibilities even when automation becomes technically possible. MIT Says AI Is Forcing a Rethink of College Itself. The Question Is Bigger Than MIT. brought the discussion directly back to higher education. If AI can write, code, analyze, explain, summarize, and solve problems, universities need to reconsider what students should learn independently, what they should learn to accomplish with AI, and which capabilities deserve protection and development. These are no longer questions about educational technology alone. They concern the purpose of university education. From AI use to research and educational judgment Taken together, the August posts show a clear progression. The first phase of generative AI encouraged experimentation. People learned to prompt, generate text, summarize documents, produce images, analyze data, and automate tasks. The next phase requires judgment. Can we trust the result? Who produced the work? What evidence supports the claim? What did the student learn? Which decisions should AI make? Which responsibilities should remain human? What capabilities should a university graduate possess when AI can perform many of the tasks previously used to demonstrate competence? For the University of Economics, Varna, these questions connect teaching, research, doctoral education, faculty development, assessment, governance, and preparation for professional work. The August Science & Research Blog therefore suggests a shift in emphasis: from learning how to use AI toward learning how to evaluate, supervise, govern, and work responsibly alongside increasingly capable AI systems. Explore all August publications in the Science & Research Blog. | Август 2026 донесе още един наситен месец на дискусии в НИИ блог През месеца една промяна ставаше все по-видима. Разговорът за изкуствения интелект се измества отвъд въпроси като „Кой AI инструмент да използваме?“ или „Как да напишем по-добър промпт?“. По-трудните въпроси вече са свързани с оценяването, качеството на научните изследвания, институционалната отговорност, човешката преценка и предназначението на университетското образование в условия, в които AI може да изпълнява все по-широк кръг от когнитивни задачи. Публикациите през август могат да бъдат организирани около шест взаимосвързани теми. 1. AI, преподаване и компетентност на преподавателите Няколко публикации разглеждат какво е необходимо на преподавателите, за да използват AI смислено в образованието. Какво всъщност знаят преподавателите за изкуствения интелект? поставя въпроса дали университетите разбират знанията и компетентностите на собствените си преподаватели в областта на AI. Обучението не може да започва и да приключва с предоставяне на достъп до инструменти. Институциите трябва да знаят какво разбират преподавателите за AI, къде са пропуските в техните знания и от какви форми на професионално развитие се нуждаят. Copilot или Gemini? Преподавателите могат да организират работата си с AI в две екосистеми насочва дискусията към ежедневната академична работа. Вместо да разглеждат отделните чатботове като изолирани инструменти, преподавателите могат да мислят за екосистеми, които свързват документи, електронна поща, данни, учебни материали и AI асистиране. Обучение по AI за професионално развитие на преподаватели: актуални глобални модели, доказателства и институционален дизайн разглежда международни подходи към професионалното развитие на преподавателите. Кратките въведения в AI създават информираност, но устойчивата промяна изисква практическа работа, преработване на курсове и оценявания, обмен между колеги и последваща подкрепа. Промпт инженеринг за преподаватели: PARTS, CLEAR, REFINE и отговорно използване на AI се връща към едно от най-видимите умения, свързани с AI, работата с промпти. Публикацията представя промптирането като итеративен процес, който включва дефиниране на задачата, контекст, експериментиране, оценяване, проверка и човешка преценка. Преподаване и учене с AI: мозаечният подход добавя друга перспектива. Нито една AI политика, детектор, формат на задание или правило за академична почтеност не може да реши всички ситуации в учебната среда. Преподавателите се нуждаят от комбинации от стратегии, които правят по-видими както ученето на студентите, така и използването на AI. 2. Оценяване в епоха на все по-способен AI Оценяването се превърна в една от най-силните теми на месеца. Уроци за валидността на дизайна на оценяването започва с въпрос, който предхожда генеративния AI: измерва ли оценяването това, което твърдим, че измерва? AI прави този въпрос още по-неотложен, защото добре оформената студентска работа вече може да не предоставя надеждно доказателство за знанията или способностите на студента. Генеративният AI отново поставя стар въпрос във висшето образование: какво всъщност ни казва резултатът от оценяването за това какво знае и може студентът? развива същия проблем. Все по-често става дума за обосноваността на изводите. Какви заключения може преподавателят основателно да направи от предадената работа? Когато AI агентите могат да изпълнят заданието: какво се променя при оценяването? премества фокуса от генеративния AI към агентните системи. Ако една AI система може да планира, проучва, пише, редактира и изпълнява значителна част от дадено задание, университетите се нуждаят от оценявания, които предоставят по-силни доказателства за реалното учене на студентите. От AI помощ към AI участие: какво означава агентният AI за онлайн висшето образование разширява проблема към онлайн курсовете. AI агентите все по-често могат да взаимодействат с дигитални учебни среди и потенциално да изпълняват дейности, които преди изискваха директно участие на студента. AI оценяване срещу човешко оценяване: какво ни показва едно гръцко изследване за оценяването разглежда обратната страна на процеса на оценяване. AI се превръща в потенциален оценител, както и в инструмент, използван от студентите. Изследване, което сравнява човешко оценяване с GPT-5.0, Gemini и DeepSeek, показва, че различните AI оценители могат да проявяват различни модели на преценка. Следователно последователността не може автоматично да се приема за валидност. Заедно тези публикации изместват дискусията от откриването на AI към по-фундаментален въпрос: какви доказателства трябва да изискват университетите, преди да твърдят, че е настъпило учене? 3. Изследователски методи, доказателства и изследователска преценка Август постави силен акцент и върху изследователите и докторантите. От допускания към изследователски въпроси: използване на проблематизацията за разработване на оригинални изследвания представя алтернатива на познатото търсене на „празнина в литературата“. Изследователите могат да разработват оригинални въпроси и чрез идентифициране на допускания, които дадена научна област приема за даденост, и чрез проверка дали тези допускания трябва да продължат да определят начина, по който дадено явление се изследва. Scopus или Web of Science? По-добрият въпрос е: какво се опитвате да направите? оспорва още едно разпространено академично опростяване. Нито една от двете бази данни не представлява универсална мярка за качество на научните изследвания. Полезността им зависи от това дали изследователят иска да търси литература, да проследява цитирания, да идентифицира списания, да анализира научна продукция или да подпомогне друга изследователска задача. От AI резюме към изследователска преценка: четири проверки при четене на научни статии разглежда все по-значим изследователски проблем. AI може бързо да обобщава статии, но изследователската компетентност изисква повече от получаване на резюме. Изследователите все още трябва да анализират изследователския въпрос, методологията, доказателствата и връзката между резултатите и заключенията. SciTrue: може ли AI да ни помогне да проверяваме научни твърдения? представя по-специализирано приложение на AI. Вместо да използват AI за генериране на академичен текст, изследователите могат да използват AI системи, които проверяват дали публикуваните научни доказателства подкрепят конкретно твърдение. AI Business Research Digest представя друг изследователски ресурс, разработен от Accounting AI Lab към UT Dallas. Базата данни помага на изследователите да откриват научни разработки, свързани с AI в различни бизнес области, и да разбират каква роля изпълняват големите езикови модели в отделните изследвания. Социални медии за изследователи: откриване на хора, идеи, източници и нововъзникващи теми разширява инструментариума на изследователя отвъд традиционните академични бази данни. LinkedIn, Bluesky, Mastodon и свързани платформи могат да помогнат за идентифициране на хора, дискусии, терминология, доклади и нововъзникващи теми. Резултатите от социалните медии трябва да служат като отправни точки за изследване, а не като крайни доказателства. MatrAIx и маркетингови изследвания: какво могат и какво не могат да ни кажат 8,3 милиарда AI персони разглежда друга методологична граница: синтетичните респонденти и AI персоните. Подобни системи предлагат възможности за експериментиране и проучвателни изследвания, но изследователите трябва ясно да разграничават симулацията от доказателствата за поведението и нагласите на реални хора. 4. AI грамотност, произход на съдържанието и отговорно използване Някои от публикациите през месеца разглеждат какво изисква отговорното използване на AI отвъд умението за работа с промпти. Книгите, които нарязахме, за да изградим ума: „Project Panama“ на Anthropic и бъдещето на AI грамотността използва спора около данните за обучение на AI, за да постави въпроси за авторското право, произхода на съдържанието и какво трябва да разбират потребителите за начина, по който се създават AI системите. AI водните знаци идват в академичната среда. По-големият въпрос е произходът на съдържанието разглежда нововъзникващи подходи за идентифициране на AI генерирано съдържание. Водните знаци може да станат част от техническата инфраструктура около AI, но информацията откъде идва дадено съдържание, как е създадено и как е променяно може да се окаже по-важна от опита да бъде поставен прост етикет „AI“ или „човек“. AI водни знаци, произход на съдържанието и учебната аудитория: от инфраструктура към педагогика пренася този въпрос в преподаването. Проследяването на произхода може да се превърне в част от AI грамотността. Студентите могат да се научат да документират използването на AI, да разграничават собствения си принос от машинно генерираното съдържание и да предоставят доказателства за процеса, довел до крайния продукт. Тези дискусии насочват към по-зряло разбиране за AI грамотността. Да знаем как да работим с една AI система е важно, но също толкова важни са проверката, атрибуцията, документирането, преценката и отговорността. 5. От индивидуално възприемане на AI към институционална стратегия Друга група публикации премества фокуса от индивидуалния потребител към решенията на университетско ниво. AI във висшето образование преминава от експериментиране към институционално вземане на решения организира няколко по-ранни дискусии около основни институционални решения, свързани с инфраструктура, управление, AI fluency, оценяване, подготовка за пазара на труда, агенти и равнопоставеност. Когато академичните среди и бизнесът се изправят пред едни и същи AI въпроси показва как университетите и организациите все по-често се сблъскват със сходни проблеми. И двете трябва да решат кои задачи да бъдат изпълнявани от AI, къде хората трябва да запазят контрол, какви компетентности са нужни на служителите и завършващите студенти и как да бъде разпределена отговорността. AI одитира бизнес училищата: какво трябва да научи ИУ – Варна? насочва тези въпроси към бизнес образованието. Когато AI може да създава доклади, казуси, пазарни анализи, препоръки и презентации, бизнес училищата трябва да преосмислят кои форми на студентска работа все още демонстрират значима професионална компетентност. AI преподаватели във висшето образование: персонализация, deepfakes и нуждата от управление разглежда друго институционално решение. AI преподавателите могат да осигурят мащабируема и персонализирана подкрепа, но синтетичните гласове, аватарите и симулираните преподаватели пораждат въпроси, свързани с прозрачността, доверието, идентичността, поверителността и институционалната отговорност. Учебната програма се нуждае от чатбот: от документ за курса към инструмент за подкрепа на студентите предлага по-малък, но конкретен пример за институционална промяна. Информацията за даден курс може да премине от статичен документ към интерактивен ресурс за подкрепа, при условие че преподавателите запазят контрол върху официалната и достоверна информация за курса. 6. Какво трябва да запазят университетите като човешка отговорност, когато AI може да върши все повече от работата? Последната група публикации през август поставя най-широките въпроси. GenAI може да подобри образователните резултати, но педагогиката все още определя резултата разглежда доказателства, според които генеративният AI може да подпомага ученето, като подчертава, че резултатите зависят от начина, по който преподавателите интегрират AI в образователния процес, а не просто от достъпа до технологията. Когато AI може да върши работата: Бил Гейтс за работните места, образованието и онова, което трябва да защитим разглежда по-широк обществен въпрос. Ако AI все по-често изпълнява когнитивна работа, обществата трябва да решат кои дейности трябва да останат човешка отговорност дори когато автоматизирането им стане технически възможно. MIT твърди, че AI принуждава университетите да преосмислят самата идея за висше образование. Въпросът е по-голям от MIT. връща дискусията директно към висшето образование. Ако AI може да пише, програмира, анализира, обяснява, обобщава и решава проблеми, университетите трябва да преосмислят какво студентите трябва да могат да правят самостоятелно, какво трябва да могат да постигат с AI и кои способности трябва да бъдат съхранени и развивани. Това вече не са само въпроси за образователни технологии. Те засягат самата цел на университетското образование. От използване на AI към изследователска и образователна преценка Разгледани заедно, публикациите през август показват ясна промяна. Първата фаза на генеративния AI насърчи експериментирането. Хората се научиха да пишат промпти, да генерират текст, да обобщават документи, да създават изображения, да анализират данни и да автоматизират задачи. Следващата фаза изисква преценка. Можем ли да се доверим на резултата? Кой е създал работата? Какви доказателства подкрепят твърдението? Какво е научил студентът? Кои решения трябва да взема AI? Кои отговорности трябва да останат човешки? Какви способности трябва да притежава един завършил университет, когато AI може да изпълнява много от задачите, които досега използвахме като доказателство за компетентност? За Икономически университет – Варна тези въпроси свързват преподаването, научните изследвания, докторското обучение, професионалното развитие на преподавателите, оценяването, управлението и подготовката за професионална реализация. Следователно публикациите в блога „Наука и изследвания“ през август показват промяна на фокуса: от това да се научим как да използваме AI към това да се научим как да оценяваме, контролираме, управляваме и работим отговорно с все по-способни AI системи. Разгледайте всички публикации за август в блога „Наука и изследвания“. |