Искусственный интеллект в высшем образовании: психологические эффекты для труда преподавателя

Цель: выявить ИИ‑специфические психологические механизмы влияния генеративного ИИ (LLM) на труд преподавателя и различия эффектов в создании контента и оценивании.

Процедура и методы: выполнен прозрачный интегративный обзор литературы 2015–2025 гг. (Scopus, WoS, PsycINFO, ERIC, РИНЦ; 56 источников), проведено пилотное качественное исследование (16 полуструктурированных интервью с преподавателями российских вузов; тематический анализ) в рамках интеграции JD‑R и SDT.

Результаты. Установлены ключевые механизмы: эпистемическая неопределённость, нагрузка верификации, калибровка доверия, тревога ответственности и подотчётности, ускорение нормы и «тихая» интенсификация, ролевой сдвиг к надзору в оценивании. Показана асимметрия: в контенте доминирует скрытая когнитивная проверка, в оценивании – эмоциональные и нормативные риски справедливости и конфликтов.

Теоретическая и/или практическая значимость: предложена модель связи свойств GenAI с требованиями/ресурсами и потребностями (автономия, компетентность, связанность); даны рекомендации: нормировать верификацию, закрепить «человек в контуре» для высокоставочных решений, уточнить правила академической честности, ограничить интенсификацию.

1. Kasneci E., Sessler K., Küchemann S., et al. ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education // Learning and Individual Differences. 2023. № 103. URL: [https://www.sciencedirect.com/science/article](https://www.sciencedirect.com/science/article) (дата обращения: 10.10.2025). DOI: 10.1016/j.lindif.2023.102274.

2. Rudolph J., Tan S., Tan S. ChatGPT: Bullshit Spewer or the End of Traditional Assessments in Higher Education? // Journal of Applied Learning & Teaching. 2023. № 6. P. 342–363. DOI: 10.37074/jalt.2023.6.1.9.

3. Crompton H., Burke D. Artificial Intelligence in Higher Education: The State of the Field // International Journal of Educational Technology in Higher Education. 2023. № 20. URL: [https://link.springer.com/article](https://link.springer.com/article) (дата обращения: 10.10.2025). DOI: 10.1186/s41239-023-00392-8.

4. Жилкин А. С. «Галлюцинации» больших языковых моделей: сравнительный анализ критического мышления GPT-4 и DeepSeek // Вестник Волжского университета им. В. Н. Татищева. 2025. № 7 (116). С. 145–156. DOI: 10.51965/2076-7919_2025_8_145.

5. Miao F., Holmes W. Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023. 44 p. DOI: 10.54675/EWZM9535.

6. Кустова В. В., Сергеева И. А. Специфика эмоционального выгорания преподавателей вуза // Высшее образование сегодня. 2017. № 9. С. 41–45.

7. Агибалова А. А., Устименко О. А., Байрамова Б. Ф. Профессиональное выгорание преподавателей вуза (на примере медицинского университета) // Международный журнал экспериментального образования. 2021. № 2. С. 52–58. DOI: 10.17513/mjeo.12026.

8. Бейлина Н. С., Двойникова Е. Ю., Арсланова Ю. Р. Особенности эмоционального выгорания преподавателей высшей школы // Тенденции развития науки и образования. 2020. № 63–6. С. 32–36. DOI: 10.18411/lj-07-2020-198.

9. La Torre G., De Leonardis V., Chiappetta M. Technostress: How Does It Affect the Productivity and Life of an Individual? Results of an Observational Study // Public Health. 2020. № 189. P. 60–65. DOI: 10.1016/j.puhe.2020.09.013.

10. Bakker A. B., Demerouti E. The Job Demands-Resources Model: State of the Art // Journal of Managerial Psychology. 2007. № 22, iss. 3. P. 309–328. DOI: 10.1108/02683940710733115.

11. Demerouti E. Job Demands-Resources Theory: Taking Stock and Looking Forward // Journal of Occupational Health Psychology. 2016. № 22. P. 273–285. DOI: 10.1037/ocp0000056.

12. Ryan R. M. Self-Determination Theory: Basic Psychological Needs in Motivation, Development, and Wellness. New York: Guilford Press, 2017. 770 p. DOI: 10.1521/978.14625/28806.

13. Survey of Hallucination in Natural Language Generation / Z. Ji, N. Lee, R. Frieske, T. Yu, D. Su, Y. Xu, E. Ishii, Y. Bang, A. Madotto, P. Fung // ACM Computing Surveys. 2023. Vol. 55, № 12. URL: [https://arxiv.org/abs/2202.03629](https://arxiv.org/abs/2202.03629) (дата обращения: 10.10.2025). DOI: 10.1145/3571730.

14. Delclòs-Alió X., Wajcman J. Pressed for Time: The Acceleration of Life in Digital Capitalism // Documents d’Anàlisi Geogràfica. 2017. № 63. P. 233–235. DOI: 10.5565/rev/dag.410.

15. Kellogg K. C., Valentine M. A., Christin A. Algorithms at Work: The New Contested Terrain of Control // Academy of Management Annals. 2019. № 14. URL: [https://wto.stanford.edu/s/annals2020.pdf](https://wto.stanford.edu/s/annals2020.pdf) (дата обращения: 10.10.2025). DOI: 10.5465/annals.2018.0174.

16. Zawacki-Richter O., Marín V., Gouverneur F. Systematic Review of Research on Artificial Intelligence Applications in Higher Education – Where Are the Educators? // International Journal of Educational Technology in Higher Education. 2019. № 16. URL: [https://link.springer.com/article](https://link.springer.com/article) (дата обращения: 10.10.2025). DOI: 10.1186/s41239-019-0171-0.

17. Explainable AI Methods – A Brief Overview / A. Holzinger, A. Saranti, C. Molnar, P. Biecek, W. Samek // xxAI – Beyond Explainable AI: xxAI 2020. Cham: Springer, 2022. 397 p. DOI: 10.1007/978-3-031-04083-2_2.

18. Skitka L. J., Mosier K., Burdick M. Does Automation Bias Decision-Making? // International Journal of Human-Computer Studies. 1999. № 51. P. 991–1006. DOI: 10.1006/ijhc.1999.0252.