СИСТЕМНАЯ ПСИХОЛОГИЯ
И СОЦИОЛОГИЯ

РАЗРАБОТКА И ВАЛИДАЦИЯ ОПРОСНИКА «ОТНОШЕНИЕ ПРЕПОДАВАТЕЛЕЙ К ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ»

С. М. Григорьев,

Финансовый университет при Правительстве РФ, Москва, Россия,

smgrig@mail.ru

Введение

В последние годы искусственный интеллект (ИИ), включая генеративные модели, стал одним из ключевых факторов трансформации профессиональной деятельности преподавателя. Инструменты ИИ все чаще используются для подготовки и редакторской доработки учебных материалов, генерации примеров и заданий, поддержки разработки критериев оценивания и рубрик, а также для помощи в адаптации содержания под уровень и потребности группы [1; 5; 2]. Одновременно усилилось внимание к вопросам академической честности и валидности контроля: генеративные системы снижают диагностическую ценность привычных письменных продуктов и требуют пересмотра форматов заданий, процедур проверки и способов обоснования оценочных решений [6; 11]. Международные аналитические документы подчеркивают, что генеративный ИИ способен расширять образовательные возможности, однако сопряжен с рисками недостоверности, предвзятости и непрозрачности, а также с этическими и правовыми вызовами, связанными с обработкой данных, авторством и распределением ответственности [4]. В академической литературе также отмечается двойственный эффект генеративного ИИ в высшем образовании: рост продуктивности и расширение инструментов педагогического дизайна сочетаются с рисками подмены учебной деятельности и повышенными требованиями к компетентности преподавателей в критической оценке и контроле результатов ИИ [7; 10]. В этой ситуации успешность внедрения ИИ определяется не только доступностью технологий, но и тем, как преподаватели оценивают их профессиональную полезность, риски и границы применимости, а также тем, насколько они готовы интегрировать ИИ в практику при сохранении педагогического контроля и соблюдении нормативных ограничений.

Теоретически данная проблематика опирается на представление об установках как о предрасположенности человека оценивать объект и действовать по отношению к нему определенным образом, объединяющей когнитивный, аффективный и поведенческий компоненты [8]. В исследованиях принятия технологий центральное место занимает модель TAM (technology acceptance model = модель принятия технологий), где воспринимаемая полезность и простота использования выступают непосредственными предикторами намерения применять технологию и фактического использования [12]. В модели UTAUT (unified theory of acceptance and use of technology = модель принятия и использования технологий), помимо ожидаемой результативности и усилий, учитываются социальное влияние и облегчающие условия, что существенно для организационного контекста образования [14]. Теория запланированного поведения дополняет эти подходы, подчеркивая роль субъективных норм и воспринимаемого поведенческого контроля в формировании намерения и поведения [1; 9]. Применительно к генеративному ИИ эти рамки требуют уточнения: объектом установки выступает не просто цифровой инструмент, а система, производящая вероятностные ответы и тексты и способная влиять на образовательные результаты и нормы ответственности. В отличие от многих цифровых сервисов, для генеративного ИИ критически значимым оказывается не только удобство использования, но и способность преподавателя формулировать запросы, критически оценивать результат, обнаруживать ошибки и управлять рисками применения, особенно в задачах «высокой ставки» (оценивание, официальная коммуникация, распространение материалов от имени курса).

Анализ существующих измерительных инструментов показывает, что исследования в области образовательных технологий традиционно опираются на TAM/UTAUT-операционализации, измеряющие воспринимаемую полезность, усилия/простоту использования и поведенческое намерение [12; 14]. Вместе с тем эти инструменты не были изначально разработаны для генеративного ИИ и ограниченно отражают специфические для него аспекты, связанные с валидностью оценивания, распределением ответственности за ошибки, обработкой данных и нормами авторства. В параллельной линии исследований используются шкалы компьютерной тревожности и техностресса, позволяющие фиксировать эмоциональные барьеры, однако они слабо учитывают педагогический и нормативный контекст использования ИИ [3]. Появляющиеся в последние годы авторские опросники по генеративному ИИ часто строятся на локальных выборках, содержат методически несбалансированные наборы пунктов либо смешивают эмоционально-рисковые переживания с нормативной осторожностью, что затрудняет интерпретацию результатов и снижает возможности практического применения. Для русскоязычного поля дополнительной проблемой остается дефицит инструментов, прошедших полноценную психометрическую проверку и пригодных для мониторинга и межгрупповых сравнений¹ [13].

Таким образом, формируется методическое противоречие между быстрым расширением практик применения ИИ в образовании и недостатком валидных, надежных и содержательно релевантных инструментов измерения установок преподавателей в контексте их профессиональных задач. Второе противоречие связано с расхождением между декларируемой готовностью использовать ИИ и реальными практиками внедрения: даже при позитивной оценке полезности фактическое использование может ограничиваться низкой самоэффективностью, высокой тревогой в задачах «высокой ставки» и неопределенностью организационных норм. Это требует диагностических инструментов, позволяющих разделять ресурсы принятия (полезность, компетентность, готовность), нормативно-регулятивные компоненты (этика/право, педагогическая интеграция) и доменно-специфические тревоги (оценивание, ответственность, статус).

Цель исследования заключается в разработке и психометрической проверке опросника, измеряющего многомерную структуру установок преподавателей к ИИ в профессиональной деятельности (см. приложение). Для достижения цели предполагается сформировать банк утверждений на основе теоретических моделей и качественных данных, провести экспертную оценку содержательной валидности, выполнить пилотаж и отбор пунктов, выявить факторную структуру с помощью эксплораторного факторного анализа и подтвердить ее конфирматорным факторным анализом, оценить надежность шкал и устойчивость показателей при повторном измерении, проверить валидность через связи с внешними переменными и поведенческими индикаторами использования ИИ, а также оценить инвариантность измерения в ключевых социально-демографических и профессиональных группах. Гипотезы исследования состоят в том, что опросник будет иметь многомерную структуру, включающую полезность, самоэффективность, готовность к внедрению, этико-правовую чувствительность, педагогически осмысленную интеграцию и доменно-специфические компоненты профессиональной тревоги; шкалы продемонстрируют достаточную внутреннюю согласованность и временную стабильность; «ресурсные» компоненты будут положительно связаны с частотой и разнообразием сценариев использования ИИ, тогда как компоненты тревоги будут отрицательно связаны с показателями использования и будут сильнее проявляться в условиях высокой нормативной неопределенности и низкой субъективной управляемости применения ИИ.

Материалы и методы

Исследование представляло собой поэтапную разработку и психометрическую проверку опросника, оценивающего установки и профессиональные переживания преподавателей, связанные с применением генеративного ИИ (чат‑боты, системы генерации текста/кода/изображений) при подготовке материалов, проектировании заданий, коммуникации и анализе учебной информации. Конструкт трактовался как многомерный и включал воспринимаемую профессиональную полезность ИИ, самоэффективность (субъективную компетентность) в его использовании, готовность к внедрению, этико‑правовую чувствительность, ориентацию на педагогически осмысленную интеграцию (контроль и правила), а также доменно‑специфические тревоги (оценивание / академическая честность, ответственность/контроль, статус / профессиональная значимость).

Пункты формировались на основе моделей принятия технологий и запланированного поведения и данных полуструктурированных интервью, отражающих реальные сценарии и риски использования ИИ. Формулировки приводились к нейтральному стилю и привязывались к смысловым единицам качественного этапа. Для контроля склонности к соглашательству использовались реверсивные пункты (в ограниченном числе, без сложных отрицаний) с обязательным реверсивным кодированием при обработке. Первичная версия включала расширенный банк утверждений по доменам конструкта; блок тревог изначально проектировался как три взаимосвязанных поддомена, соответствующих «зонам высокой ставки».

До пилотажа проведена экспертная оценка содержательной валидности и ясности: исключались дубли и недостаточно специфичные пункты, уточнялись формулировки в высокорисковых областях и при необходимости пересматривалась доменная принадлежность. Пилотаж дополнительно проверял распределение ответов, потолочные/пороговые эффекты, корректность интерпретации и дискриминативность пунктов.

Основной сбор данных (октябрь – декабрь 2025 г.) выполнен онлайн. Критерий включения — наличие действующей преподавательской нагрузки; исключались случаи без занятий, с менее чем 20 % пропусков по основному инструменту и с признаками низкого качества ответов. Участники давали информированное согласие; прямые идентификаторы не собирались, IP не сохранялись.

Итоговая выборка составила 624 преподавателя из 38 организаций восьми федеральных округов РФ (61,4 % — женщины; возраст — 23–69 лет, M = 41,8, SD = 10,7; медиана стажа — 13 лет; 72,1 % — вузы, 27,9 % — СПО). Для факторного анализа выборка случайно делилась на подвыборки для EFA (n = 312) и CFA (n = 312); тест – ретест через три недели прошли 96 человек.

Перед EFA/CFA оценивались пропуски и свойства распределений; при низкой доле пропусков применялась замена средним по отвеченным пунктам шкалы при заполнении ≥ 80 % ее пунктов. С учетом порядковой шкалы использовались полихорические корреляции и робастные оценки. EFA выполнялся методом главных осей с косоугольным вращением; число факторов определялось параллельным анализом и интерпретируемостью. Пункты сохранялись при нагрузках ≥ 0,40, отсутствии выраженных перекрестных нагрузок и содержательной согласованности; дополнительно учитывались корреляции «пункт – шкала» и вклад в согласованность. В CFA на независимой подвыборке сравнивались альтернативные измерительные модели, включая варианты представления тревоги; качество соответствия оценивалось индексами CFI/TLI, RMSEA, SRMR. Корреляции ошибок допускались только при явном содержательном основании.

Надежность оценивалась с помощью коэффициентов α Кронбаха и ω Макдональда; тест – ретест — по ICC (2,1) с 95 % ДИ. Валидность проверялась через связи с цифровой самоэффективностью, показателями принятия технологий и поведенческими индикаторами использования ИИ, а также методом «известных групп». Инвариантность измерения оценивалась многогрупповым CFA по полу, типу организации и возрасту (конфигуральная, метрическая, скалярная; при необходимости — частичная). Корреляции рассчитывались по Пирсону и Спирмену; p = 0,05 с поправкой Холма при множественных сравнениях. Анализ выполнялся в R; последовательность обработки и критерии исключения фиксировались до основного анализа.

Результаты

После экспертного отбора и редактирования в пилотажную версию вошел расширенный банк утверждений, отражающих домены конструкта: воспринимаемая профессиональная полезность ИИ, самоэффективность, готовность к внедрению, этико‑правовая чувствительность, педагогически осмысленная интеграция и профессиональные тревоги. Пилотаж (n = 118) был направлен на проверку понятности формулировок, распределений ответов и первичных психометрических характеристик. По его итогам исключались пункты с выраженным потолочным эффектом и низкой дискриминативностью; уточнялись формулировки, прежде всего в высокорисковых доменах (оценивание, официальная коммуникация, ответственность за ошибки), чтобы снизить двусмысленность и нормативно‑обвинительный оттенок. В инструмент также включили ограниченное число реверсивных пунктов без сложных отрицаний для контроля склонности к соглашательству при сохранении читаемости.

Основная выборка составила 624 преподавателя; доля пропусков по пунктам не превышала 1,8 %. Большинство распределений имели умеренную асимметрию в сторону согласия (ожидаемую для установочных методик в нормативно значимой тематике), при этом не выявлено массового однообразного соглашательства. Для факторного анализа применялись полихорические корреляции.

EFA выполнялся на подвыборке n = 312. Матрица корреляций была пригодна для факторизации (KMO = 0,93; χ² Бартлетта (630) = 5 680, p < 0,001). Параллельный анализ и график собственных значений поддержали решение, соответствующее доменной модели, с отдельным вниманием к многокомпонентности тревоги: уменьшение числа факторов приводило к объединению нормативно‑этического и педагогически‑интегративного доменов и смешению различных типов тревоги, тогда как чрезмерная дробность давала слабо интерпретируемые факторы с малым числом пунктов.

По результатам EFA сформирована итоговая версия опросника из 30 пунктов со шкалами «полезность ИИ», «самоэффективность», «готовность к внедрению», «этико‑правовая чувствительность», «педагогически осмысленная интеграция» и «профессиональная тревога», представленная тремя субшкалами («оценивание / академическая честность»; «ответственность/контроль»; «статус / профессиональная значимость»). Пункты с устойчивыми перекрестными или недостаточными нагрузками исключались. Основные факторные нагрузки составили 0,52–0,86; межфакторные корреляции были умеренными и соответствовали ожидаемой структуре (наиболее выражены связи «полезность – готовность» и «самоэффективность – готовность»). Компоненты тревоги коррелировали между собой, но не сводились к одному фактору.

CFA проводился на независимой подвыборке n = 312 и сравнивал модели представления тревоги. Модель с тремя субфакторами тревоги показала наилучшее согласие и интерпретируемость (CFI = 0,95; TLI = 0,94; RMSEA = 0,051; SRMR = 0,047), тогда как упрощенная модель с единым фактором тревоги давала ухудшение индексов. Однофакторная модель общей установки демонстрировала неудовлетворительное соответствие (CFI = 0,75; TLI = 0,72; RMSEA = 0,110; SRMR = 0,101), подтверждая многомерность конструкта. Корреляции ошибок не вводились во избежание переобучения.

Стандартизованные нагрузки в CFA находились в диапазоне 0,58–0,87 (все p < 0,001). Реверсивные пункты после кодирования имели ожидаемые знаки и не образовали отдельного методического фактора. Надежность шкал была высокой: ω = 0,80–0,88; тест – ретест за три недели (n = 96) — ICC = 0,72–0,83. Наиболее стабильными оказались этико‑правовая чувствительность и педагогически осмысленная интеграция; готовность к внедрению была несколько менее стабильной, что согласуется с изменчивостью намерений в быстро меняющемся контексте.

Конвергентная валидность подтверждена ожидаемыми связями: полезность коррелировала с принятием технологий (r = 0,62) и использованием ИИ (ρ = 0,48; r = 0,44), самоэффективность — с цифровой самоэффективностью (r = 0,55) и поведенческими индикаторами (ρ = 0,37; r = 0,41), готовность — наиболее тесно с частотой использования (ρ = 0,52). Этическая/правовая чувствительность и педагогически осмысленная интеграция демонстрировали слабо-умеренные положительные связи с числом сценариев, что указывает на совместимость практического применения ИИ с нормативными ограничениями и ориентацией на педагогические цели. Дискриминантная валидность поддержана низкими корреляциями с социальной желательностью (r = 0,04–0,14; максимум для этико‑правовой чувствительности r = 0,14).

Критериальная валидность подтверждена методом «известных групп»: преподаватели, использующие ИИ один раз и более в неделю, имели более высокие показатели полезности и компетентности (d ≈ 1,2 и d ≈ 1,1; p < 0,001), а прошедшие обучение по ИИ — более высокую готовность к внедрению (d ≈ 0,73; p < 0,001). Профиль тревоги был дифференцирован: тревога оценивания слабее связана с общей частотой использования и остается значимой даже у активных пользователей; тревога ответственности/контроля зависит от нормативной определенности; тревога статуса связана с негативными ожиданиями и более низкими полезностью и готовностью. В регрессионной модели частоты использования при контроле возраста и стажа значимыми предикторами выступили готовность (β = 0,31), самоэффективность (β = 0,24) и полезность (β = 0,19); тревога вносила отрицательный вклад (R² = 0,42).

Многогрупповой CFA показал конфигуральную и метрическую инвариантность по полу и типу организации, а также скалярную инвариантность по полу; по возрасту достигнута частичная скалярная инвариантность (с освобождением порогов двух пунктов). В целом результаты подтверждают удовлетворительные показатели надежности и валидности опросника и эмпирическую обоснованность доменного разделения профессиональной тревоги (оценивание; ответственность/контроль; статус), что повышает диагностическую чувствительность инструмента для выявления узких мест внедрения ИИ.

Обсуждение

Полученные результаты zeigen, что установки преподавателей к генеративному ИИ в профессиональной деятельности имеют выраженно многомерный характер и не сводятся к единому показателю позитивного/негативного отношения. Низкое соответствие однофакторной модели и существенное улучшение для модели с коррелирующими факторами указывают, что отношение к ИИ включает как минимум несколько психологически различных компонентов: воспринимаемую профессиональную полезность, самоэффективность в применении ИИ, готовность к внедрению, нормативно‑регулятивные ориентации (этика/право и педагогически осмысленная интеграция), а также профессиональные тревоги в доменах высокой ставки. Такая структура согласуется с логикой психологии установок и моделями принятия технологий (TAM/UTAUT/TPB), но подчеркивает необходимость их уточнения применительно к генеративному ИИ как вероятностной системе, требующей контроля качества и пересмотра практик ответственности.

Наиболее тесные связи воспринимаемой полезности с показателями принятия технологий и частотой использования воспроизводят ключевой тезис TAM о роли осознаваемой полезности (perceived usefulness) в формировании намерения и поведения. Одновременно устойчивые связи самоэффективности с цифровой самоэффективностью и фактическими индикаторами применения подтверждают ее роль как ресурса внедрения. В случае генеративного ИИ самоэффективность включает не только владение инструментом, но и умение формулировать запросы, проверять достоверность, выявлять правдоподобные ошибки и корректно дорабатывать результаты, т. е. поддерживает воспринимаемый поведенческий контроль (TPB) и снижает субъективную «стоимость» внедрения.

Практически значимым является подтверждение доменного разделения профессиональной тревоги на компоненты, связанные 1) с оцениванием и академической честностью, 2) с ответственностью и контролем, 3) со статусом и профессиональной значимостью. Это повышает диагностическую точность инструмента и уточняет барьеры внедрения. Тревога оценивания носит более устойчивый характер и слабее «снимается» общей позитивной оценкой ИИ или ростом компетентности, что указывает на структурность проблемы и необходимость изменения форм контроля, критериев и процедур обоснования оценочных решений. Тревога ответственности/контроля сильнее зависит от компетентности и ориентации на педагогический контроль и, вероятно, снижается при наличии обучения и прозрачных организационных процедур. Тревога статуса связана с меньшей оценкой полезности и готовности и может интерпретироваться как компонент, затрагивающий профессиональную идентичность и воспринимаемую угрозу роли.

Соотношение эмоционально‑рискового компонента и нормативной осторожности подтверждается низкими корреляциями со шкалой социальной желательности и отсутствием ее влияния на факторную структуру, что говорит в пользу реальности выявленных различий. При этом нормативно окрашенные шкалы («этика/право» и «педагогически осмысленная интеграция») не являются «негативным полюсом» отношения к ИИ: умеренные связи с поведенческими индикаторами показывают, что нормативная чувствительность может сочетаться с активным применением, выступая регулятором ответственного использования. Следовательно, снижение тревоги должно достигаться не за счет «ослабления норм», а через повышение компетентности и формирование ясных правил и процедур.

Проверка инвариантности измерения указывает на возможность корректных сравнений структуры и в большинстве случаев средних значений между ключевыми группами (пол, тип организации), что расширяет применимость опросника для мониторинга. Частичная инвариантность по возрасту требует осторожности в интерпретации возрастных различий и предполагает необходимость уточнения формулировок, потенциально по‑разному понимаемых разными поколениями, с последующей повторной проверкой эквивалентности.

Заключение

Инструмент имеет прикладную ценность, поскольку позволяет различать типы узких мест внедрения ИИ: а) высокая тревога оценивания при достаточной полезности/готовности указывает на потребность в методической перестройке заданий и контроля; б) высокая тревога ответственности при низкой компетентности — на приоритет обучения верификации и безопасным сценариям; в) высокая тревога статуса при низкой полезности и готовности — на необходимость работы с профессиональной идентичностью и управленческой коммуникацией роли преподавателя как дизайнера обучения, наставника и модератора критического мышления.

Ограничения исследования связаны с самоотчетной природой показателей, кросс‑секционным дизайном и возможным самоотбором участников, а также с неизбежными эффектами стиля ответа в нормативно значимых доменах. Дополнительно быстро меняющийся технологический и регуляторный контекст может изменять содержание отдельных сценариев применения ИИ, что требует периодического обновления формулировок и репликации результатов.

В целом разработанный опросник демонстрирует согласованную многомерную структуру, достаточную надежность и ожидаемые связи с внешними критериями (см. приложение). Его ключевое преимущество — разделение ресурсов внедрения (полезность, самоэффективность, готовность), нормативно‑педагогических регуляторов (этика/право, осмысленная интеграция) и доменно‑специфических профессиональных тревог, что создает основу для адресных программ повышения квалификации и институциональных политик ответственного использования ИИ.

Литература

1. Вегера Ж. Исследование влияния генеративного искусственного интеллекта на педагогические стратегии и методы обучения в условиях цифровизации образования // Управление образованием: теория и практика. 2024. Т. 14. № 8-1. С. 108–115. https://doi.org/10.25726/z2078-4694-0035-f
2. Илюшин Л. С., Торпашёва Н. А. Технологии искусственного интеллекта как ресурс трансформации образовательной практики // Ярославский педагогический вестник. 2024. № 3 (138). С. 62–71. http://dx.doi.org/10.20323/1813-145X-2024-3-138-62
3. Коновалова В. Г. Цифровые технологии как фактор техностресса: проблемы и возможности их решения // Управление персоналом и интеллектуальными ресурсами в России. 2022. Т. 11. № 3. С. 17–21. https://doi.org/10.12737/2305-7807-2022-11-3-17-21
4. Мяо Ф., Холмс У. Руководство по использованию генеративного искусственного интеллекта в образовании и научных исследованиях / пер. с англ. А. Ляпичевой. Париж: ЮНЕСКО, 2024. 56 c. https://doi.org/10.54675/EWZM9535
5. Начало конца или новой эпохи? Эффекты генеративного искусственного интеллекта в высшем образовании / М. А. Кирюшина и др.; под науч. ред. Я. И. Кузьминова. М.: НИУ ВШЭ, 2024. 64 с. (Современная аналитика образования. № 8 (82)).
6. Поспелова Е. А., Отоцкий П. Л., Горлачева Е. Н., Файзуллин Р. В. Генеративный искусственный интеллект в образовании: текущие тенденции и перспективы // Профессиональное образование и рынок труда. 2024. Т. 12. № 3. С. 6–21. https://doi.org/10.52944/PORT.2024.58.3.001
7. Руденко Е. С., Турянская С. А. Генеративный искусственный интеллект для преподавателя: стратегии, инструменты, этика // Педагогическая перспектива. 2025. № 3 (19). С. 20–32. https://doi.org/10.55523/27822559_2025_3(19)_20
8. Узнадзе Д. Н. Психология установки. СПб.: Питер, 2021. https://royallib.com/book/uznadze_dmitriy/psihologiya_ustanovki.html
9. Ajzen I. The theory of planned behavior // Organizational Behavior and Human Decision Processes. 1991. Vol. 50. № 2. P. 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
10. Artificial intelligence in education — AIED 2019: Proceedings of 20th International conference (Chicago, IL, USA, June 25–29, 2019) / by ed. S. Isotani et al. Part II. Springer Cham, 2019. XXVII, 439 p. https://doi.org/10.1007/978-3-030-23207-8
11. ChatGPT for good? On opportunities and challenges of large language models for education / E. Kasneci et al. // Learning and Individual Differences. 2023. Vol. 103. e102274. https://doi.org/10.1016/j.lindif.2023.102274
12. Davis F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology // MIS Quarterly. 1989. Vol. 13. № 3. P. 319–340. https://doi.org/10.2307/249008
13. Schepman A., Rodway P. Initial validation of the general attitudes towards Artificial Intelligence Scale // Computers in Human Behavior Reports. 2020. № 1. e100014. https://doi.org/10.1016/j.chbr.2020.100014
14. Xue L., Rashid A., Ouyang S. The unified theory of acceptance and use of technology (UTAUT) in higher education: A systematic review // SAGE Open. 2024. Vol. 14. № 1. https://doi.org/10.1177/21582440241229570 

Примечания

¹ Сидорюк А., Леванов Ю. Методика оценки готовности организаций к применению генеративного искусственного интеллекта GAIN (Generative AI iNdex) // Ген ИИ: сайт. URL: https://gen-ii.ru/uploads/metodika_ocenki_gotovnosti_organizacii_k_primeneniyu_generativnogo_II.pdf (дата обращения: 17.12.2025).