Глобальный опрос преподавателей информатики показал, что многие уже изменили как методы преподавания, так и способы оценки студентов в ответ на появление генеративных ИИ-инструментов для написания кода. Опрос, проведенный рабочей группой ACM, охватил более 700 преподавателей из 49 стран и показал, что 69 percent считают: ИИ изменил навыки, необходимые для разработки программного обеспечения.

Результаты указывают на широкий отход от традиционных заданий по программированию, сосредоточенных на написании кода с нуля. Вместо этого преподаватели уделяют больше внимания пониманию кода, отладке, решению задач, устным экзаменам, сессиям защиты кода и проектной работе. В то же время почти половина респондентов заявила, что им не хватает проверенных примеров включения ИИ в учебные курсы.

ИИ-помощники для программирования, такие как ChatGPT и GitHub Copilot, способны выполнять многие типичные задания по программированию из вводных курсов, часто показывая результат на уровне среднего студента. Это создает практическую проблему для курсов, где такие задания традиционно использовались, чтобы проверить, может ли студент самостоятельно создать и объяснить рабочий код. Новое исследование дает более широкий взгляд на то, как преподаватели информатики по всему миру реагируют на этот вызов. Его провела "ACM Task Force on Generative AI and Programming Assessment" — экспертная группа, созданная комитетом по образованию международного компьютерного общества ACM.

Рабочая группа опросила 763 преподавателя из 49 стран в период с мая по октябрь 2025 года. В анализ вошли около 500 почти полностью заполненных анкет. Согласно результатам, 69 percent респондентов заявили, что ИИ изменил навыки, необходимые для разработки программного обеспечения. Главной проблемой для преподавателей стала растущая зависимость студентов от технологий — ее отметили 87 percent; за ней следуют списывание и плагиат, которые указали 72 percent.

Обучение смещается от написания кода к его пониманию

Sixty-four percent респондентов заявили, что уже изменили подход к преподаванию. Тематический анализ развернутых ответов показал единое направление: меньше внимания написанию кода с нуля и больше — пониманию кода, поиску и исправлению ошибок, а также решению задач. В 39 ответах использование ИИ и prompt engineering также были названы отдельными темами обучения. Другие преподаватели сообщили, что демонстрируют ИИ-инструменты на занятиях, чтобы показать как их возможности, так и сохраняющиеся ограничения.

"We know that students will likely be developing with AI tools when they enter the workforce," сказал Steven Gordon, профессор Ohio State University и ведущий автор отчета. "The key is to produce graduates who are competent in programming and who understand both the capabilities and limitations of AI."

Устные экзамены и проектная оценка набирают популярность

Практики оценки меняются еще быстрее. Sixty-eight percent респондентов заявили, что изменили способы проверки студентов. Среди наиболее часто упоминаемых изменений — больше очных экзаменов под наблюдением, 56 упоминаний; снижение веса домашних заданий, 38 упоминаний; устные экзамены и сессии защиты кода, 36 упоминаний; а также письменные тесты на бумаге, 35 упоминаний. Проектные формы оценки также упоминались 34 раза.

Некоторые преподаватели теперь требуют, чтобы студенты раскрывали, использовали ли они ИИ-инструменты и каким образом, а в отдельных случаях — сдавали журналы своих взаимодействий с такими инструментами. Эти изменения отражают усиливающуюся попытку отделить собственное понимание студента от работы, созданной программным обеспечением или выполненной при его существенной помощи.

Институциональная политика остается неоднородной. Forty-five percent респондентов сообщили, что в их учебном заведении есть правила использования ИИ, тогда как 39 percent заявили, что таких правил нет. Существующие подходы варьируются от полного запрета до прямого разрешения или поощрения при условии, что студенты документируют использование ИИ. Для преподавателей такая неравномерная нормативная среда означает, что изменения в оценивании на уровне курсов часто вносятся в то время, когда учреждения еще только решают, как регулировать использование ИИ.

Преподаватели указывают на нехватку примеров лучших практик

Самым распространенным препятствием для интеграции ИИ, названным 48 percent респондентов, стало отсутствие доказавших эффективность лучших практик. Twenty-eight percent заявили, что не обладают достаточной экспертизой в области ИИ, а 20 percent сказали, что вообще не видят необходимости включать ИИ в преподавание.

Респонденты также указали на потребность в дальнейшем профессиональном развитии. Seventy-four percent сообщили, что хотели бы пройти обучение эффективным методам преподавания, а 66 percent — получить поддержку в переработке оценочных заданий. Ресурсный сайт рабочей группы направлен на устранение этого пробела за счет сбора практических примеров, однако результаты опроса показывают, что многие преподаватели все еще ищут проверенные модели, которые можно адаптировать к собственным курсам.

Авторы исследования отметили несколько ограничений. Участников набирали главным образом через рассылки ACM и SIGCSE, а также через избранные национальные каталоги преподавателей. Выборка была сильно смещена в сторону Северной Америки, откуда было 227 респондентов, и Европы, откуда было 106. На Азию пришлось 57 респондентов, на Южную Америку — 10, на Океанию — 9, на Африку — 3. Среди респондентов, указавших тип своего учреждения, 77 percent работали в университетах, тогда как школы K-12 и профессиональные программы были представлены лишь незначительно. Кроме того, выводы основаны на данных, сообщенных самими участниками.

Исследование ACM находится в свободном доступе онлайн. Рабочая группа также создала сайт с практическими примерами и ресурсами для преподавателей.

Недавние исследования указывают на более высокие оценки, но более слабые результаты обучения

Несколько недавних исследований согласуются с опасениями, высказанными респондентами. Исследование Anthropic показало, что разработчики программного обеспечения, использовавшие помощь ИИ при изучении новой библиотеки Python, набрали на последующем тесте знаний на 17 percent меньше, чем контрольная группа без доступа к ИИ. Небольшая подгруппа участников, полностью передавшая написание кода ИИ, выполнила задания быстрее всех, но в среднем набрала лишь 39 percent на тесте знаний.

Похожие результаты наблюдаются и за пределами информатики. Китайское лонгитюдное исследование с участием более 26,000 студентов показало, что использование ИИ повысило оценки за домашние задания на 18 percent и сократило время выполнения на 30 percent. Однако через шесть месяцев результаты экзаменов с закрытыми материалами снизились на 20 percent. На более поздних вступительных экзаменах оценки снизились на 18 percent и 24 percent, в зависимости от теста.

Анализ UC Berkeley, охвативший более 500,000 оценок, выявил резкий рост высших баллов после выхода ChatGPT, особенно на курсах с большим объемом письменных работ и заданий по программированию. Рост был наиболее заметен на курсах, где домашние задания без наблюдения имели значительный вес в итоговой оценке. Согласно отчету ACM, это та же категория оценки, значимость которой многие преподаватели теперь снижают.