Вашему подразделению нужно подготовить ежегодный отчёт об оценке результатов. Вы с коллегами определили, какие результаты обучения будете измерять, и собрали данные, но никто не хочет браться за эту работу, поэтому вы её откладываете. Отвечаете на письма, проходите обязательное обучение и идёте за кофе. По дороге встречаете коллегу из другого подразделения, которому поручили такой же отчёт. Вы рассчитываете вместе посетовать на утомительную задачу, но выясняется, что коллега — точнее, он вместе с Codex на своём компьютере — уже собрал эссе, проанализировал их, внёс результаты в форму и отправил отчёт. На это ушло тридцать минут, а у вас на начало работы отведён целый день.
Этот гипотетический сценарий разворачивается во всех областях академической жизни, и именно две параллельные реальности преподавательского труда дали название нашей статье: вы уже работаете в двух университетах.
С самого начала обсуждение влияния ИИ на высшее образование было сосредоточено на академической добросовестности. Тем временем мы упустили из виду революцию в организации труда преподавателей, которая привела к новому расколу — в дополнение к привычным различиям между естественными и гуманитарными науками, а также между штатными преподавателями и сотрудниками на временных контрактах.
Речь об использовании ИИ и отказе от него — а также о коллегах, которые продолжают работать как прежде, не принимая осознанного решения по поводу ИИ. Как это новое разделение проявляется в академической среде? Одним словом — в продуктивности, затрагивающей все сферы преподавательской работы.
Исследования
ИИ можно использовать для поиска возможностей получить грант, подготовки текста заявки и вспомогательных таблиц, а также заполнения обязательных форм. В сочетании с опытом и знаниями профессора эти системы позволяют учёным значительно увеличить объём исследований. Американская ассоциация университетских профессоров (AAUP) составила длинный перечень вопросов, которые исследователям стоит задавать себе при использовании ИИ. Но многие ли преподаватели знакомы с этим содержательным списком предостережений? И многие ли активные пользователи ИИ захотят сбавить темп, если выгоды кажутся очевидными, а последствия остаются неясными?
Преподавание
Многие преподаватели используют ИИ для создания презентаций, тем эссе, критериев оценивания и других учебных материалов. Некоторые уже передали ИИ часть — а возможно, и всю — работы по проверке заданий. Другие создали ИИ-тьюторов для курсов, которые оказывают студентам первичную поддержку. Такие помощники могут усилить преимущество в исследованиях, освобождая время преподавателей.
Многочисленные источники подтверждают ценность очного преподавания и наставничества. Однако преподаватели, которые вкладывают значительное время в создание сообщества в аудитории, уступают в исследовательской гонке коллегам, которые этого не делают. Многие стараются найти компромисс, но, по нашему мнению, разрыв в продуктивности будет только увеличиваться.
Служебная работа
Сценарий из начала статьи — не научная фантастика, а наша реальность. Слово «оценка» давно стало для преподавателей почти ругательным, поэтому желание поручить ИИ ускорить работу, которую многие и без того считают утомительной, вполне понятно. Новые инструменты ИИ упрощают анализ больших наборов данных, например результатов оценивания преподавания и статистики по достижению результатов обучения на уровне образовательной программы.
Когда приложение на основе ИИ подготовит таблицу, одни преподаватели захотят оценить данные и сформулировать выводы; другие просто попросят ИИ составить за них отчёт. А кто-то распечатает двести страниц данных об успеваемости студентов, соберёт их в папку на кольцах и сядет читать. Понятно, кто закончит первым.
Как оценивать работу преподавателей
Все эти преимущества ИИ накапливаются вокруг одного понятия — продуктивности. Что произойдёт, если в каждом университете будут существовать две разные реальности продуктивности?
Например, оценка преподавателей при рассмотрении вопроса о присуждении постоянной должности и повышении станет ещё сложнее. Следует ли оценивать преподавателя, который использовал ИИ во всей своей работе и опубликовал вдвое больше материалов, чем предусматривают критерии подразделения, по тем же стандартам, что и принципиального противника ИИ? Или, что вероятнее, коллегу, который просто не внедрил инструменты ИИ в свою работу?
Возможно и другое: в комиссии по продвижению и присуждению постоянных должностей окажутся люди, для которых любое использование ИИ — даже только для организации рабочего процесса, а не для создания текста — станет признаком того, что вся работа кандидата испорчена и её следует отвергнуть. Это новые вопросы, которые прежде не приходилось решать.
У каждого из нас своё мнение, но неважно, к какой стороне этого раскола вы себя относите. Важно, что линия разлома уже образовалась. Как справиться с растущей пропастью?
Один из способов — ввести новые критерии в правила университетов о продвижении и присуждении постоянных должностей. Как не допустить, чтобы профессор-консерватор объявил недействительной публикацию, в которой раскрыто использование ИИ, и призвал комиссию проголосовать против кандидата? Или чтобы профессор-оппонент критиковал кандидата за то, что тот в среднем публикует всего две статьи в год, тогда как он сам и другие пользователи ИИ — уже пять? Стоит ли договориться об ограничениях на ожидания по продуктивности? Если в какой-либо области число публикаций начнёт расти из-за того, что использование ИИ становится нормой, требования к публикациям могут повыситься для всех, кто хочет не отставать, независимо от дисциплины и использования ИИ.
Мы не собираемся говорить, нужно ли вам внедрять ИИ в исследования и как именно это делать. Мы хотим напомнить: в вашем университете уже есть коллеги, которые используют ИИ по максимуму. Преподаватели могут сами установить правила использования ИИ в своих университетах, в том числе определить, как учитывать его применение при продвижении и присуждении постоянных должностей. Университеты могут сообща решить, как справляться с этими изменениями. Но процедуры совместного управления идут медленно. Обдумывать влияние ИИ на продуктивность нужно до того, как разрыв станет слишком велик и его будет трудно преодолеть.