От пасивни потребители на ИИ към критично-мислещи одитори: Уроци от аудиториите на ИУ – Варна
Boryna Serbezova and Plamen Miltenoff
| At the University of Economics – Varna, our research into AI in higher education centers on a simple premise: students do not need generic AI tutorials in isolation; they need embedded AI literacy integrated directly into their discipline-specific coursework. In our recent pilot within the 3rd-year undergraduate Marketing and Sustainable Development course, we designed an instructional model to transforms students from passive consumers of chatbot outputs into critical AI auditors. The Flipped Classroom Process Our intervention follows a structured, six-stage workflow designed to balance conceptual marketing knowledge with hands-on AI competency: THE INSTRUCTIONAL CYCLE Flipped Classroom Preparation: Students review pre-assigned materials on sustainable product lifecycles, Life Cycle Assessment (LCA), and circular economy concepts before arriving. Entry Survey: An initial diagnostic establishes each student’s baseline knowledge in both sustainable marketing principles and AI risk awareness. 20-Minute Theoretical Foundation: A brief, targeted briefing introduces AI literacy basics—how Large Language Models (LLMs) operate, why they hallucinate, and how to construct structured multi-turn prompts using the R-T-C-C framework (Role, Task, Context, Constraints). Hands-On Lab Assignment: Student teams assume the role of “Independent Sustainable Marketing Auditors.” They execute iterative prompts across platforms (ChatGPT, Claude, Gemini, Perplexity AI) to audit real-world corporate product lifecycles and detect superficial eco-claims. Classroom Discussion: A guided debrief brings teams together to compare AI outputs, identify model discrepancies, and solidify both subject-matter concepts (Cradle-to-Cradle vs. greenwashing) and AI evaluation skills. Exit Survey: Students complete a post-intervention assessment and log their reflection prompts, capturing qualitative and quantitative evidence of their learning journey. Methodology: Tracking the Dual Learning Curve To rigorously evaluate whether genuine learning occurred, we established a dual-track matched-pairs research design. Using a GDPR-compliant 6-character alphanumeric key (e.g., АН8384), individual pre-test and post-test responses were matched anonymously (n=17). Our evaluation tracked progress across two parallel dimensions: Track A (Subject Matter Mastery): Differentiating green marketing from true sustainability, applying Cradle-to-Cradle (C2C) frameworks, and identifying greenwashing. Track B (AI Literacy & Fluency): Recognizing LLM technical limitations (hallucinations, “fake authority”), detecting geographic data bias, and selecting specialized AI tools. We combined quantitative paired-samples t-tests ( score gains, p-values, and Cohen’s d effect sizes) with thematic qualitative coding of student reflection logs (Question 10) to triangulate self-perceived confidence against objective, scenario-based problem-solving. Results: What the Data Shows The empirical data confirmed significant learning gains across both tracks: Statistically Significant AI Tool Selection (=+0.94, p=.0017, d=0.915): Student self-efficacy in choosing the right AI model for a specific task saw a large-effect increase. Students moved away from relying solely on a single chatbot, learning to pair ChatGPT/Gemini for creative ideation with Perplexity AI for academic source verification. 100% Success in Spotting AI Hallucinations: In diagnostic scenario tests featuring fabricated institutional reports (“Fake Authority”), 100% of participants identified the hallucination and selected cross-validation against primary academic databases and EU standards as the required corrective step. 95.2% Accuracy in Overcoming Algorithmic Bias: Over 95% of student teams recognized when an LLM defaulted to Western/US-centric assumptions unsuited for Bulgarian small and medium enterprises (SMEs), successfully re-prompting the model to adapt to regional market realities. Greenwashing Elimination: 90.5% of students correctly categorized circular design-for-disassembly strategies as genuine Cradle-to-Cradle models while rejecting empty buzzwords like “100% eco-friendly”. An Invitation to Educators Integrating AI into higher education does not require replacing your existing curriculum. By embedding a brief 20-minute AI literacy foundation and an auditing lab directly into subject-matter courses, we can teach students to use AI responsibly, critically, and effectively. We invite faculty members across departments at the University of Economics – Varna and partner institutions to join us in adopting this framework. If you are interested in adapting our survey instruments, prompt guidelines, or workshop blueprints for your classroom, please reach out to our research team at the Science and Research Institute. Let us work together to prepare our students for an AI-augmented professional landscape. | В Икономически университет – Варна нашите изследвания върху интегрирането на изкуствения интелект във висшето образование се основават на една проста предпоставка: студентите нямат нужда от изолирани, общи инструкции за работа с ИИ; те се нуждаят от вградена ИИ грамотност, интегрирана директно в конкретните им дисциплини. В рамките на скорошен пилотен проект в курса по „Маркетинг и устойчиво развитие“ за студенти в 3. курс разработихме обучителен модел, който трансформира студентите от пасивни консуматори на съдържание от чатботове в критични ИИ одитори. Процесът „Обърната класна стая“ (Flipped Classroom) Нашата интервенция следва структуриран работен процес от шест етапа, съчетаващ концептуалните маркетингови познания с практически ИИ компетенции: ОБУЧИТЕЛНИЯТ ЦИКЪЛ Подготовка в обърната класна стая: Преди занятията студентите се запознават с предварително предоставени материали за устойчивия жизнен цикъл на продуктите, оценката на жизнения цикъл (LCA) и концепцията за кръгова икономика. Входна анкета (Pre-test): Първоначална диагностика за определяне на базовите познания на всеки студент относно принципите на устойчивия маркетинг и рисковете при работа с ИИ. 20-минутна теоретична основа: Кратък, целенасочен брифинг, въвеждащ основите на ИИ грамотността – как функционират големите езикови модели (LLMs), защо халюцинират и как да се съставят структурирани итеративни промптове чрез рамката R-T-C-C (Роля, Задача, Контекст, Ограничения). Практическа лаборатория: Студентските екипи поемат ролята на „Независими одитори по устойчив маркетинг“. Те прилагат итеративни промптове в различни платформи (ChatGPT, Claude, Gemini, Perplexity AI), за да одитират реални продуктови цикли на компании и да откриват повърхностни еко-твърдения. Екипна дискусия: Обща дискусия, в която екипите сравняват генерираните от ИИ резултати, идентифицират разминавания между моделите и затвърждават както предметните понятия (Cradle-to-Cradle спрямо greenwashing), така и уменията за критична оценка на ИИ. Изходна анкета (Post-test): Студентите попълват финална анкета и завеждат текстови рефлексии за използваните промптове, осигурявайки качествени и качествени доказателства за постигнатото учене. Методология: Проследяване на двойната крива на учене За да оценим научно дали е настъпило реално учене, създадохме изследователски дизайн със сдвоени извадки по две паралелни направления. Чрез използването на съобразен с GDPR 6-символен код (напр. АН8384), индивидуалните отговори от входната и изходната анкета бяха анонимно сдвоени ($n = 17$). Оценката проследи напредъка по две направления: Направление А (Овладяване на предметната материя): Разграничаване на зеления маркетинг от същинската устойчивост, прилагане на рамката Cradle-to-Cradle (C2C) и идентифициране на грийнуошинг. Направление Б (ИИ Грамотност и Сръчност): Разпознаване на техническите ограничения на езиковите модели (халюцинации, „фабрикувана достоверност“), откриване на географски пристрастия в данните и избор на специализирани ИИ инструменти. Комбинирахме количествени $t$-тестове за свързани извадки (прираст $\Delta$, $p$-стойности и размер на ефекта по Cohen’s $d$) с тематичен качествен анализ на студентските рефлексии (Въпрос 10), за да триангулираме субективната увереност спрямо обективното решаване на казуси. Резултати: Какво показват данните Емпиричните данни потвърдиха значителен прираст на знанията и по двете направления: Статистически значим избор на ИИ инструменти ($\Delta = +0.94$, $p = .0017$, $d = 0.915$): Увереността на студентите при избора на подходящ ИИ модел за конкретна задача отбеляза голям ефект на нарастване. Студентите преминаха от разчитане на един единствен чатбот към комбиниране на ChatGPT/Gemini за генериране на идеи с Perplexity AI за фактологична и академична проверка. 100% успех при откриване на ИИ халюцинации: В диагностичните сценарии с измислени институционални доклади („Фалшива достоверност / Fake Authority“), 100% от участниците идентифицираха халюцинацията и избраха проверка през академични бази данни и стандарти на ЕС като задължителна стъпка. 95.2% точност при преодоляване на алгоритмични пристрастия: Над 95% от студентските екипи разпознаха кога езиковият модел предлага западноцентрични допускания, неприложими за българските малки и средни предприятия (МСП), и успешно коригираха промпта спрямо местния пазарен контекст. Елиминиране на грийнуошинг: 90.5% от студентите точно класифицираха стратегиите за дизайн с оглед на разглобяването и повторната употреба като същински Cradle-to-Cradle модели, отхвърляйки празните клишета като „100% екологичен“. Покана към преподавателите Интегрирането на изкуствения интелект във висшето образование не изисква подмяна на съществуващото учебно съдържание. Чрез вграждането на кратък 20-минутен теоретичен модул по ИИ грамотност и практическа лаборатория по одит директно в специалните дисциплини, можем да научим студентите да използват ИИ отговорно, критично и смислено. Каним колегите от всички катедри в Икономически университет – Варна и партньорските институции да се присъединят към прилагането на тази рамка. Ако имате интерес да адаптирате нашите анкети, насоки за промптване или структури на работилници за вашите курсове, моля, свържете се с изследователския ни екип към Научноизседователския Институт. Нека заедно подготвим нашите студенти за съвременния дигитален и академичен ландшафт. |