Оценка знаний с ИИ перестает быть факультативной головной болью преподавателя и становится отдельной методической задачей. Исследователь НИУ ВШЭ в Санкт-Петербурге Андрей Терников предложил блок-схему, которая помогает выбирать формат проверки студентов, если они используют генеративные модели для кода, задач и объяснений. Для IT-образования это важный сигнал: нейросеть уже не внешний чит-код, а инструмент, владение которым тоже придется проверять.
О разработке 8 сентября 2026 года сообщает CNews со ссылкой на представителей ВШЭ. Работа опубликована в журнале IT Professional. В центре исследования - не очередной призыв запретить ChatGPT на экзаменах, а более практичная попытка разложить ситуацию по развилкам: что именно проверяет преподаватель, на каком курсе учится студент, можно ли автоматизировать проверку и сколько времени есть на контроль.
Предложенная схема устроена как дерево решений. Она помогает понять, где использование ИИ лучше ограничить, где разрешить частично, а где встроить в задание и оценивать уже не только итоговый ответ, но и саму работу студента с инструментом. Для преподавателей компьютерных наук это особенно актуально: генеративные модели пишут фрагменты кода, находят ошибки, объясняют алгоритмы и иногда уверенно производят правдоподобную ерунду. Итоговая работа в такой ситуации все хуже отвечает на простой вопрос: понял ли студент материал сам.
Терников предлагает жестче подходить к младшим курсам. Логика понятная: пока у студента не сформирована база, помощь нейросети может быстро превратить обучение в сборку чужих решений. На базовых дисциплинах контрольные точки лучше проводить с ограниченным доступом к ИИ или без него. Это могут быть устные ответы, задания в контролируемой среде, короткие проверки понимания или форматы, где студент должен объяснить ход решения, а не просто принести готовый результат.
На старших курсах подход меняется. Если фундамент уже есть, запрет ИИ выглядит все менее реалистично: в профессиональной разработке от специалиста все чаще ждут умения пользоваться такими инструментами, проверять их вывод и понимать границы применимости. Поэтому автор исследования предлагает включать нейросети в учебные задания явно. Например, просить студентов показывать, как именно они применяли ИИ, какие подсказки давали модели, что приняли, что отвергли и почему.
Здесь важен сдвиг в самой логике оценки. Преподаватель смотрит не только на финальный код или текст решения, но и на то, может ли студент объяснить вклад модели, найти ошибку в сгенерированном ответе, защитить архитектурное решение и связать результат с теорией курса. Для будущего разработчика это ближе к реальности, чем стерильный экзамен из мира, где автодополнение кода еще не изобрели.
При этом исследование не предлагает капитулировать перед нейросетями. Наоборот, часть контрольных точек должна оставаться без ИИ. Это нужно не из педагогической вредности, а чтобы отделить навык работы с инструментом от базового владения предметом. Если студент умеет сгенерировать сортировку, но не может объяснить ее сложность, проблема не в модели. Проблема в том, что оценка знаний с ИИ подменила знание умением нажать правильную кнопку.
Для вузов и корпоративного обучения такой подход может стать рабочим компромиссом. Полный запрет трудно контролировать и еще труднее объяснять студентам, которые уже используют ИИ вне аудитории. Полная свобода тоже не годится: она размывает критерии и превращает оценивание в угадайку, где преподаватель пытается понять, кто именно выполнил работу - студент или модель. Блок-схема ВШЭ предлагает более трезвый вариант: выбирать режим проверки под цель задания.
Есть и ограничение, о котором автор говорит прямо: часть методик проверялась на небольшой выборке. Значит, переносить схему на все курсы, вузы и форматы без дополнительной проверки рано. Разные дисциплины, уровень студентов и культура оценивания могут заметно менять результат. То, что работает в курсе по программированию, не обязательно так же сработает в аналитике, менеджменте продукта или инженерной математике.
Для IT-рынка здесь интересен не академический спор, а кадровый эффект. Если университеты научатся честно измерять навыки в эпоху генеративных моделей, работодатели получат выпускников, которые не просто копируют ответы из ИИ, а умеют проверять, объяснять и отвечать за результат. Следующий вопрос сложнее: кто быстрее перестроит оценку знаний с ИИ - вузы с учебными планами или компании, которые уже сейчас собеседуют кандидатов в мире, где нейросеть всегда открыта во второй вкладке.