Появление мощных инструментов генеративного искусственного интеллекта ставит перед высшим образованием задачу объективного оценивания знаний студентов. Цель статьи – проанализировать альтернативные методы оценивания, которые перемещают фокус с контроля результата на развитие ключевых компетенций студента. В качестве метода исследования использован пример эволюции задания по разработке функции проверки палиндрома на платформе «1С», в рамках которого применялись аутентичное оценивание, модель академической прозрачности, поэтапное сопровождение (scaffolding) и педагогика сомнения. Было установлено, что традиционные подходы к контролю неэффективны и подрывают доверие, тогда как многоуровневая педагогическая модель способствует формированию у студентов аналитических, проектировочных и критических навыков, а также ответственного отношения к технологиям. Полученные результаты показали, что акцент на процессе обучения повышает качество подготовки и снижает зависимость от генеративных инструментов. Для адаптации системы высшего образования к новым технологическим возможностям необходимо применять комплексный подход к оценке результатов обучения, который сочетает различные педагогические приемы, переподготовку преподавателей и разумное использование технологий аудита, что обеспечивает устойчивое развитие образовательной среды без ущерба для академической честности.
The emergence of powerful generative artificial intelligence tools poses a significant challenge for higher education: ensuring objective assessment of student knowledge. The purpose of this article is to analyze alternative assessment methods that shift the focus from outcome control to the development of students’ key competencies. The research method involved a case study tracing the evolution of a programming assignment focused on developing a palindrome verification function within the “1C” platform. This case incorporated principles of authentic assessment, the model of academic transparency, instructional scaffolding, and a pedagogy of doubt. The study found that traditional control-based approaches are ineffective and undermine trust, whereas a multi-level pedagogical model fosters the development of analytical, design, and critical thinking skills among students, as well as a responsible attitude toward technology. The results demonstrated that emphasizing the learning process enhances the quality of education and reduces dependence on generative tools. In conclusion, adapting higher education to new technological possibilities requires a comprehensive approach to learning assessment. This approach should integrate diverse pedagogical techniques, instructor retraining, and the judicious use of audit technologies. Such a strategy ensures the sustainable development of the educational environment without compromising academic integrity.
1. Nguyen K. V. The Use of Generative AI Tools in Higher Education: Ethical and Pedagogical Principles // Journal of Academic Ethics. February 2025. Vol. 23. P. 1435–1455. DOI: 10.1007/s10805-025-09607-1.
2. Zimmerman B. J. Becoming a Self-Regulated Learner: An Overview // Theory into Practice. June 2002. Vol. 41. Is. 2. P. 64–70. DOI: 10.1207/s15430421tip4102_2.
3. Каптерев А. И. Вызовы генеративного искусственного интеллекта для системы высшего образования // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2023. Т. 20. № 3. С. 255–264. URL: https://elibrary.ru/item.asp?id=58730746 (дата обращения: 20.11.2025).
4. Selwyn N. Education and Technology: Key Issues and Debates. 3rd ed. London: Bloomsbury Academic, 2021. 232 p. ISBN 9781350145559.
5. Ивахненко Е. Н., Никольский В. С. ChatGPT в высшем образовании и науке: угроза или ценный ресурс? // Высшее образование в России. 2023. № 32 (4). С. 9–22. URL: https://vovr.elpub.ru/jour/article/view/4322 (дата обращения: 20.11.2025).
6. Ferlazzo L., Hull K. Helping Students Motivate Themselves: Practical Answers to Classroom Challenges. Abingdon: Taylor and Francis, 2013. 208 p. ISBN 9781317930266.
7. Fink L. D. Creating Significant Learning Experiences: An Integrated Approach to Designing College Courses. 1st ed. San Francisco: Jossey-Bass, 2013. 352 p. ISBN 9781118416327.
8. Wiggins G., McTighe J. Understanding by Design. 2nd ed. Alexandria, VA: ASCD, 2005. 370 p. ISBN 9781416600350.
9. Генеративный искусственный интеллект: выпуск 11 / сост. Л. В. Константинова, В. В. Ворожихин, А. М. Петров, Е. С. Титова; Российская экономическая академия им. Г. В. Плеханова. М., 2023. 120 с. [Электронный ресурс]. URL: https://www.rea.ru/~file/76152/Выпуск+11.+Генеративный+искусств.+интеллект.pdf (дата обращения: 20.11.2025).
10. Щедровицкий Г. П. От логики науки к теории мышления. М.: Манн, Иванов и Фербер, 2025. 1271 с. ISBN 978-5-00214-611-6.
11. Mollick E. R., Mollick L. Using AI to Implement Effective Teaching Strategies in Classrooms: Five Strategies, Including Prompts // The Wharton School Research Paper. 2023. [Электронный ресурс]. URL: https://ssrn.com/abstract=4391243 (дата обращения: 20.11.2025).
12. Lemov D. Teach Like a Champion 3.0: 63 Techniques that Put Students on the Path to College. San Francisco: Jossey-Bass, 2021. 560 p. ISBN 9781119712466.
13. Руденко Е. С., Турянская С. А. Генеративный искусственный интеллект для преподавателя: стратегии, инструменты, этика // Педагогическая перспектива. 2025. № 3 (19). С. 20–32. URL: https://journal-iro23.ru/wp-content/uploads/2025/06/Руденко-Турянская.-2025.-3.-20-32.pdf (дата обращения: 20.11.2025).
14. Выготский Л. С. Мышление и речь. М.: АСТ, 2023. 576 с. ISBN 978-5-17-155130-8.
15. Biggs J., Tang C. Teaching for Quality Learning at University. 4th ed. Maidenhead: McGraw-Hill Education, 2011. 418 p. ISBN 0335242766.
16. Sousa D. A. How the Brain Learns: Applying Brain Research to the Classroom. 6th ed. Thousand Oaks, CA: Corwin, 2022. 336 p. ISBN 978-1-071-85533-1.