Details

Статья посвящена проблеме трансформации тестовых форм контроля в высшем образовании в условиях широкого распространения генеративных нейросетевых моделей. Выявлено фундаментальное противоречие между традиционными фондами оценочных средств (ФОС), ориентированными на проверку репродуктивного уровня усвоения, и новыми возможностями студентов по получению структурированных ответов с помощью ИИ. На основе эмпирического исследования, установлено, что 73,5% студентов используют ИИ при тестировании, однако преимущественно для объяснения темы, самопроверки, а прямое копирование составляет лишь 3,4%. Показан разрыв в нормативных ожиданиях: преподаватели интерпретируют использование ИИ как угрозу валидности, тогда как студенты легитимизируют его как современный инструмент обучения. Обоснована неэффективность AI-детекторов и тотального прокторинга. В качестве методологического решения предложен переход от парадигмы «борьбы с ИИ» к разработке оценочных средств, включающей оценку качества взаимодействия студента с ИИ, обязательное декларирование использования модели, а также интеграцию устного собеседования как «золотого стандарта» валидизации знаний. Сформулированы практические рекомендации по адаптации тестов и процедур оценивания в эпоху ИИ.

This article examines the transformation of assessment methods in higher education in the context of the widespread use of generative neural network models. It identifies a fundamental contradiction between traditional assessment tools (AT), focused on assessing the reproductive level of learning, and the new capabilities of students to obtain structured answers using AI. An empirical study found that 73.5% of students use AI in testing, but primarily in an assistive mode (topic explanation, self-checking), while direct copying accounts for only 3.4%. A gap in normative expectations is demonstrated: instructors interpret the use of AI as a threat to validity, while students legitimize it as a modern learning tool. The ineffectiveness of AI detectors and total proctoring is substantiated. The proposed methodological solution involves shifting from the "anti-AI" paradigm to the "metacognitive design" of assessment tools, including assessing the quality of student interaction with the AI, mandatory declaration of model use, and the integration of oral interviews as the "gold standard" of knowledge validation. Practical recommendations for adapting tests and assessment procedures to the AI era are also provided.

"Современное машиностроение: наука и образование", международная научная конференция (15; 2026; Санкт-Петербург). Современное машиностроение: наука и образование 2026: материалы 15-й Международной научной конференции, 17 июня 2026 года = Modern Mechanical Engineering: Science and Education 2026: proceedings of the 15th International Scientific Conference, Russia, June 17, 2026 / Санкт-Петербургский политехнический университет Петра Великого; [под редакцией: А. Н. Евграфова, А. А. Поповича]. — 1 файл (87,7 Мб). — Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2026. — Загл. с титул. экрана. — Ч. текста на англ. яз. — Электронная версия печатной публикации 2026 г. — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/i26-171.pdf>. — DOI 10.18720/SPBPU/2/i26-171. — Текст: электронный