Оценивать ход работы, а не только документ: как ИИ меняет конструкцию студенческих заданий

Дело не только в добросовестности студента. Дело в том, как сконструировано задание. Возьмем аналитическую работу по CBAM – трансграничному углеродному регулированию ЕС. Студент готовит записку о влиянии механизма на экспортные отрасли ЕАЭС, опирается на данные UNCTAD, приводит таблицы, формулирует выводы. Итоговый файл может выглядеть аккуратно и даже убедительно. Но если оценка ставится только за него, преподаватель не увидит, была ли проверка: сверял ли студент модельные оценки с официальными статистическими базами, учитывал ли логистические издержки, курсовые колебания, отраслевые исключения, или просто перенес в текст правдоподобный вывод алгоритма.

Фиксация использования ИИ здесь не решает задачу. Общая фраза «модель применялась для поиска формулировок» ничего не объясняет. И наоборот: если работа оставляет следы решений, даже честное использование инструмента перестает подрывать учебный результат.

Какие следы имеют значение? Не любые. Полезны те, которые показывают ход проверки и выбора. Список источников, по которым студент верифицировал данные. Короткий протокол: какие утверждения модели приняты, какие отвергнуты и почему. Промежуточная версия или история правок, где видно, как менялась аргументация. И конкретное описание роли ИИ: не «использовался ИИ», а «модель помогла сформулировать гипотезу, затем вывод был проверен по таким-то базам и скорректирован из-за таких-то ограничений».

Такой подход меняет логику оценки. Преподаватель смотрит не на внешнюю безупречность итогового текста, а на способность студента работать с информацией: отличать проверенное от правдоподобного, замечать слабые места расчета, объяснять отказ от первоначального вывода. Студент, в свою очередь, понимает: имитировать самостоятельность становится дороже, чем показать реальную траекторию работы.

Есть и обратная сторона. Требования к промежуточным материалам увеличивают нагрузку. Не только студента, но и преподавателя. Если каждый черновик, промпт и комментарий читать вручную, проверка быстро станет неподъемной. Поэтому важен не максимум отчетности, а минимальный значимый пакет: одна страница верификации, таблица решений, краткая рефлексия. Остальные детали задаются уже в конкретном курсе: иногда понадобится журнал источников, иногда хватит комментария на полстраницы.

Проще всего начать с одного курса. Не ждать, пока появится общая инструкция для всех программ. Преподаватель заранее говорит: вместе с итоговой запиской сдается таблица проверок и короткая записка о том, какие выводы модели студент принял, какие отверг и почему. Через семестр видно, что изменилось. Стало ли меньше работ, которые невозможно разобрать по существу? Выросла ли опора на первичные данные? Или студенты просто научились прикладывать пустую анкету? Такая проба полезнее разговоров о будущем образования.

Правила здесь нужны как короткий перечень. Что сдается. Где хранится. Кто имеет доступ. И главное – за что ставится балл, если студент честно показал работу с моделью.

Оценивать стоит не строку «ИИ применялся» и не внешнюю стройность отчета. Смотреть нужно на решения: почему взята эта база, почему отвергнут вывод модели и как из-за этого изменился расчет. Тогда модель становится обычным инструментом – рядом с таблицей, калькулятором, научной статьей. Только у нее есть особенность: без следа проверки ее помощь неотличима от чужой работы.

Автор: к.э.н., доцент, доцент Кафедры мировой экономики и мировых финансов Финансового университета при Правительстве Российской Федерации Елизавета Валентиновна Оглоблина.