Ассистент или судья: использование искусственного интеллекта в аккредитации образовательных программ

Введение и актуальность проблемы

Российская система высшего образования стоит на пороге кардинальных изменений. Процессы трансформации очевидны и объяснимы: образование не может не реагировать на постоянно изменяющиеся внешние условия и накапливающиеся со временем внутренние противоречия. На изменения его структуры и содержания оказывают самое непосредственное влияние политические, экономические и социальные факторы, а также, в последние несколько лет, экологические, эпидемиологические и технологические вызовы. Высшая школа вынуждена учитывать требования государственной образовательной политики, адаптироваться к новым вызовам и встраиваться в новую систему подготовки кадров для рынка труда. Все это требует гибкости в организации и скорости реагирования, активного внедрения процессов цифровизации в процессы преподавания, обучения и администрирования.

В ведущих вузах страны все доступные технологические инновации уже достаточно эффективно применяются в образовательном процессе. Однако важной проблемой по-прежнему остается обеспечение качества подготовки студентов, особенно с учетом того, что искусственный интеллект (ИИ) стал широкодоступным для использования. Проблема самостоятельности и оригинальности выполнения тестовых и практических заданий, курсовых и дипломных работ вызывает сомнения в самой их необходимости [1–3]. поскольку появляются новые возможности подходить к их выполнению формально – выполнять задания с помощью искусственного интеллекта или искать готовые решения в интернете. Очевидно, что такая ситуация требует системной трансформации всего образовательного процесса, в том числе формирования компетенций преподавателей к внедрению ИИ [4–6].

К настоящему времени в высшей школе формируются механизмы применения ИИ в процессах преподавания: создание текстовых (аудио- и видео-) учебных и методических материалов с возможностью их персонализации и перевода на разные языки, разработки и проверки тестовых и контрольных заданий, получения обратной связи в процессе обучения [7]. Большое количество публикаций как российских, так и зарубежных исследователей рассматривают проблемы, направленные на оценку возможностей использования ИИ [8] и отдельных его инструментов для персонификации образовательного процесса [9–10], оценки его результатов, проектирования учебных курсов или отдельных занятий [11-12]. Особенно серьезно воспринимаются вопросы, связанные с академической честностью, интеллектуальной собственностью и этическими аспектами при использовании ИИ в разработке учебных курсов и научных исследованиях [13–14].

В мировой практике есть примеры создания обучающих платформ, использующих ИИ для персонализации учебных планов, выявления пробелов в знаниях и автоматической коррекции образовательной программы1, автоматической проверки сочинений, голосовых ответов, исправления ошибок и выставления оценок с целью объективной проверки работ, для составления расписаний с учетом нагрузки преподавателей и адаптивного обучения, а также анализа рисков отчисления на основе успеваемости учащихся2, для оптимизации распределения бюджета и прогноза набора сту-дентов3, а также, например, для масштабных процедур анкетирования разных категорий, выборок респондентов и генерации отчетов по их резуль-татам4. Но практика внедрения ИИ в процедуры оценки качества образовательной программы как комплексной оценки условий, ресурсов, процессов и результатов практически не представлена.

Методы оценки качества высшего образования подвергаются трансформации с завидной периодичностью. Это касается прежде всего процедур мониторинга и аккредитации. Следует отметить, что изменения структуры и технологий оценки качества, в частности, в процедурах аккредитации, происходят во многих странах с развитыми технологиями и системами образования, и на них также оказывают влияние политические события и технологические вызовы. Достаточно обратить внимание на страны, сравнимые с Россией по объему высшего образования: Индию, Китай, США. В Индии обсуждается использование технологии онлайн-ак-кредитации и переход от уровневой к бинарной технологии (аккредитован - не аккредитован)5. Китай апробирует все возможные практики аккредитации, выстраивая многоуровневую систему мотивации вузов [15]. США трансформирует аккредитационные показатели и планирует создание новых аккредитационных агентств с учетом новой государственной политики6.

В России, начиная с 2022 года, государственная аккредитация также претерпела кардинальные изменения. Во-первых, она стала бессрочной для всех образовательных программ, имеющих аккредитацию. Во-вторых, для образовательных организаций всех уровней образования законодательно введен аккредитационный мониторинг. В-третьих, были установлены новые аккредитационные показатели, используемые во всех трех процедурах регламентации: государственной аккредитации, аккредитационном мониторинге, государственном контроле (надзоре). Каждая из инициатив играет положительную роль для развития образования, но и оставляет много нерешенных вопросов.

Бессрочность государственной аккредитации – следствие многолетней критики со стороны академического сообщества по поводу чрезмерной бюрократизации и формализации процесса, а также следствие государственной политики по снижению бюрократической нагрузки («регуляторная гильотина»). В мировой практике это чуть ли не единственный прецедент бессрочности аккредитации: аккредитация как процедура наделения доверием и гарантии качества образовательных программ и образовательных организаций требует периодического подтверждения.

Первый опыт проведения аккредитационного мониторинга выявил достаточно много проблем, главные из которых – невозможность получить статистические данные на основе межведомственного взаимодействия и без участия вузов, а также провести объективную валидную аналитическую работу, поскольку это делается один раз в три года по 10 образовательным программам разных уровней, выбранных самим вузом. Необходима большая работа по интеграции информации из различных источников (министерств и ведомств, агентств), куда ежегодно поступают десятки отчетов от вузов по различным направлениям деятельности.

Среди нерешенных вопросов в отношении аккредитационных показателей – неочевидность предмета оценки (образовательная программа или организация в целом?) и отказ от оценки содержания образования.

Эти нововведения не решили главный вопрос: как снизить бюрократическую нагрузку и гарантировать качество образования? Система оценки качества нуждается в новых инструментах, основанных на современных технологиях. В отличие от серьезных изменений, произошедших в высшей школе, которые связаны с цифровизацией образовательного процесса, реализацией онлайн- и смешанных форм образования, использованием ИИ, система оценки качества образования до настоящего времени их не учитывает и содержательно не меняется, а главное - не имеет опыта применения современных информационных технологий.

Не только в российской, но и в мировой практике почти отсутствуют примеры использования цифровых платформ и технологий, тем более искусственного интеллекта (далее – ИИ) в оценке качества и аккредитации образовательных программ и организаций.

Топ-аккредитация: методология, данные, результаты

Исследовать возможности использования цифровых технологий и ИИ в аккредитации позволил пилотный проект, предложенный Национальным центром профессионально-общественной аккредитации (Нацаккредцентр)7. Важнейшим условием для запуска пилотного проекта по апробации новой технологии аккредитации послужил Агрегатор независимой оценки высшего образования8. Он содержит информацию о достижениях российских вузов, собранных из открытых данных: базы данных ЕГЭ, мониторинга эффективности МОН, данных Elibrary по публикационной активности профессорско-преподавательского состава вузов, а также результатов наиболее известных и признанных национальных и глобальных рейтингов (по состоянию на июль 2025 года в них представлены в общей сложности 31 846 университетов из 140 стран).

Агрегирование представленной на сайте best-edu.ru информации проводится Нацаккредцентом ежегодно методом анализа лиг (МетАЛиг) [16– 18], в основе которого лежит применение математических моделей и теории голосования в малых группах (Борда, Кондорсе, Симпсона, плюра-литарная и др.). МетАЛиг позволяет объединять результаты множества независимых рейтингов и разнотипных оценочных систем (места, баллы, категории) в единый агрегированный рейтинг, представленный в формате лиг (групп - аналогов квартилей). Каждая укрупненная группа специальностей в образовательных организациях получает вектор оценок по 8 разным рейтингам, например (A, D, C, B, A, C, B, B), после чего этот вектор сворачивается в единую итоговую оценку. Вводятся новые «слабые» свертки, т.е. из всех участвующих в расчете результатов рейтингов используются не все, а только 5 лучших, что представляет собой математически «мягкую» альтернативу линейной свертке. Этот метод формально переводит многокритериальную проблему в одномерную структуру ранжирования, сохраняя информацию о позициях в каждом рейтинге и обеспечивая устойчивость к «отвлекающим» или некорректным рейтинговым результатам9. В результате формируется единый предметный национальный агрегированный рейтинг по направлениям подготовки на основе результатов независимого оценивания.

Вторым важным источником информации является официальный сайт вуза, где в соответствии с законодательными и нормативными требованиями выложена вся необходимая и актуальная (обновляемая каждые 10 дней) информация об основных направлениях деятельности вуза по образовательным программам: регистрационные документы, локальные нормативные акты, описание образовательных программ, информация о приеме, численности и выпуске студентов, информация о руководстве и научно-педагогическом составе, о материально-технической базе и электронной образовательной среде, о международном сотрудничестве и финансовом обеспечении образовательной деятельности. Обязательное требование электронной подписи руководителя в документах подтверждает их легитимность, требования к обязательной разметке сайта, использованию установленных атрибутов тегов для размещения файлов и их машиночитаемости позволяет находить и анализировать необходимую статистическую информацию, а в ближайшем будущем - проводить содержательный анализ документов.

На основе данных открытых источников создана технология анализа информации и подготовки отчета по конкретному вузу и направлениям подготовки. Четко структурированный аналитический отчет содержит информацию об учебном заведении в сравнении со всеми российскими вузами (национальный статус), учреждениями, находящимися в ведении отраслевого министерства (отраслевое сравнение), вузами, реализующими аналогичные программы, а также с учетом динамики достижений за последние 5 лет. Отчет составляется с использованием инструментов искусственного интеллекта (на данном этапе — дообученные при помощи подхода RAG большие языковые модели LLM), что значительно повышает его глубину, точность и аналитическую ценность. Без привлечения дополнительных ресурсов (сотрудников вуза) по подготовке отчета по самообследованию формируются материалы, необходимые для экспертизы, которые содержат в визуализированной и текстовой форме оценку условий, процесса и результатов реализации образовательных программ, а также достижения вуза на международном, национальном и отраслевом уровне. Это освобождает экспертов от рутинной работы по перекрестной проверке и позволяет им сосредоточиться на качественном анализе и вынесении суждений. ИИ автоматизирует рутинные и трудоемкие задачи, обеспечивает более глубокий и объективный анализ данных и смещает фокус с формальной проверки документов на стратегическое улучшение качества образования, тем самым дополняя экспертизу, но не заменяя ее.

Такой отчет в перспективе может быть полезен и самому вузу, поскольку ИИ сможет анализировать эффективность учебных планов и курсов, помогая учреждениям принимать обоснованные решения об их обновлении. Алгоритмы способны сопоставлять содержание курсов с результатами обучения и требованиями рынка труда, выявляя пробелы или устаревшие темы. Это позволит непрерывно совершенствовать образовательные программы. Инструменты ИИ уже сегодня умеют сравнивать данные из разных источников и выявлять противоречия, действуя как «умный маркер», автоматически подсвечивая потенциальные проблемные области и предоставляя ссылки на соответствующие разделы сайта и используемые источники информации. Обученная ИИ-модель способна анализировать отчет учреждения, выполняя несколько задач:

– выявление фактов: находит и систематизирует информацию, относящуюся к каждому конкретному стандарту аккредитации или отдельному запросу;

– проверка доказательств: проверяет наличие необходимых подтверждающих документов по стандартам аккредитации;

– повышение объективности: человеческий фактор может вносить определенную предвзятость в оценку, ИИ помогает минимизировать этот риск.

В течение двух лет к участию в проекте были приглашены ведущие вузы, которые достигли выдающихся результатов и получили национальное и международное признание, доказав свое бесспорное превосходство в образовательной, научной и международной деятельности, а именно – университеты, реализующие образовательные программы из премьер-лиги Агрегированного рейтинга. Доступен большой объем информации о результатах деятельности этих университетов, в отличие от относительно слабых вузов, не присутствующих в рейтингах и не имеющих в открытых источниках результатов достижений. Кроме того, эти вузы уже заслужили свою репутацию, и поэтому им может быть предложена упрощенная процедура признания (аккредитации).

Шесть ведущих университетов получили такую аккредитацию в течение первого года апробации, подтвердив ее целесообразность и привлекательность. По состоянию на июль 2025 года 204 образовательные программы в области экономики, инженерии, строительства, педагогики, психологии и музыки получили топ-аккредитацию.

В числе кандидатов на топ-аккредитацию по результатам агрегированного рейтинга 2025 года – 116 вузов по 708 или 529 направлениям подготовки из 7 110 реализуемых вузами УГСН, то есть всего 7 %. Среди них – 248 укрупненных направлений подготовки из 55 вузов (3 %), не проходивших независимую аккредитацию.

Таким образом, этот подход можно рассматривать как смену парадигмы аккредитации, основанной на соблюдении требований стандартов, на аккредитацию, основанную на высоких достижениях. Она сохраняет принцип периодичности в оценке в соответствии с международной практикой и снижает бюрократическую нагрузку в соответствии с российской государственной образовательной политикой.

Аккредитация образовательных программ ведущих вузов страны может стать широко востребованной процедурой, способной значительно сократить время и ресурсы, снизить бюрократическую нагрузку, но при этом привнести серьезный вклад в повышение репутации и конкурентоспособности вуза.

Обсуждение: сопоставление с мировым опытом и перспективы цифровизации

Апробация использования инструментов ИИ в аккредитации образовательных программ в формате топ-аккредитации наряду с явными достоинствами – сокращением вмешательства в образовательный процесс и процедурную нагрузку – выявила ряд вопросов и ограничений в использовании.

Например, почему только топовые вузы могут проходить топовую аккредитацию? Выбор вузов из числа вошедших в премьер-лигу Агрегированного рейтинга для прохождения аккредитации по упрощенной процедуре возможен, поскольку в российской и международной практике можно выделить подобные прецеденты. Например, победители и призеры Всероссийских олимпиад школьников получают право на прямое поступление в вуз без вступительных экзаменов, при этом их достижения приравниваются к высшим баллам ЕГЭ. Защита докторской диссертации может проходить в виде научного отчета, обобщающего результаты опубликованных научных исследований в ведущих научных журналах и монографиях.

На международном уровне можно учесть подход Британского агентства по обеспечению качества (QAA) [19], который обосновывает необходимость снижения нагрузки на вузы путем проведения камеральных процедур оценки и сокращения сроков внешней экспертизы для вузов, ранее успешно проходивших несколько циклов аккредитации с высокими результатами. Упрощенная процедура признания используется также при принятии решения о включении аккредитационного агентства в Реестр Азиатско-Тихоокеанской сети качества (APQR)10, учитывая предыдущие процедуры оценки и признания в международных организациях, таких как ENQA11 или INQAAHE12, с проведением только камеральной экспертизы.

Сомнения в выборе вузов можно развеять, если ответить на вопрос: стоит ли олимпийских чемпионов заставлять сдавать нормы ГТО? Вероятно, не стоит – они уже доказали свой высокий уровень подготовки. В свою очередь, топ-аккредитация может стать механизмом, определяющим лидеров в области высшего образования на основе «суммарных» достижений в рейтингах и информации из открытых источников.

Критика в отношении недостатков рейтинговых систем, таких как их многочисленность и разнородность (разные методики, критерии, веса, охваты), сомнения в их объективности (возможности представить «одним числом» картину успехов вуза и минимизировать влияние субъективности и методических недостатков отдельных рейтингов), неполнота покрытия (только часть вузов попадает в эти рейтинги), разная периодичность и методики публикации [20], вполне очевидна, и при агрегировании информации добавляет новые риски:

– Выбор источников (рейтингов и баз данных) существенно влияет на итог агрегированной оценки. Неправильный или предвзятый набор источников может привести к искажению результата.

• -    Параметры разбиения на лиги, число учитываемых рейтингов, правила свёртки – всё это влияет на итог, а значит, требуется анализ чувствительности.

• -    Вузы, не представленные в открытых рейтингах и базах данных, окажутся в нижних лигах не из-за уровня качества, а из-за отсутствия данных.

• -    Существует риск манипуляции («оптимизации») внешних показателей под алгоритмы отдельных рейтингов, что может влиять на агрегацию информации и, как следствие, на результат оценки.

  – Некоторые значимые локальные достижения, репутационные особенности или качество обучения не всегда выражены в открытых числовых индикаторах и могут быть упущены, тем более в открытых источниках.

• -    Нет единого «всемирно признанного» способа агрегирования – разные процедуры свёртки дают разные результаты, выбор конкретного метода требует консенсуса экспертного сообщества. В данном проекте используется авторская методика МетАЛиг.

Использование цифровых технологий и инструментов ИИ в аккредитации образовательных программ наряду с получением ими признания предоставило вузам тематический анализ достижений по сравнению с аналогичными программами в стране и отрасли для дальнейшего стратегического планирования. Вместе с тем это выявило определенные спорные сферы, которые можно рассматривать и как положительные, и как отрицательные результаты в зависимости от ожиданий вуза. Среди них:

• -    низкая вовлеченность вуза в процесс аккредитации (в подготовку документации и коллектива к встрече с экспертами, своего рода «генеральную уборку»);

• -    отсутствие визита экспертов в вуз (непосредственного общения на месте);

• -    слабая связь аналитического отчета по результатам экспертизы с устоявшимися стандартами аккредитации (не контроль соответствия, а подтверждение достижений);

• -    отсутствие оценки соответствия содержания ОП и качества подготовки выпускников требованиям профессиональных стандартов

• в    связи с отсутствием механизма такой оценки как такового;

• –    обобщенный предмет экспертизы – УГСН в целом.

Таким образом, результаты исследования показали, что по-прежнему остается необходимость в привлечении экспертов разных квалификаций на разных этапах процедуры. Например, на этапе подбора и валидации рейтингов эксперты определяют критерии их включения (стабильность, публичность, периодичность, массовость), что ключевым образом влияет на итоговую выборку источников; также они участвуют в оценке релевантности и качества новых источников перед их включением. На этапе определения методологии исследования задача экспертов – выбор способа разбиения шкал на лиги (квартили, квинтили или иные пороги), определение параметров слабых свёрток и правил применения процедуры агрегации информации. На этапе проверки и верификации данных эксперты (академические аналитики, представители вузов) проверяют корректность сопоставления учебных заведений, интерпретацию рейтинговых полей и устранение некорректных данных, проводят верификацию результатов агрегатора посредством выборочных проверок и сравнений с исходными источниками, а при необходимости – обсуждение в фокус-группах. На этапе интерпретации результатов, формирования выводов и рекомендаций внешние академические эксперты выявляют риски и возможности совершенствования не только для методики представления информации в аналитическом отчете, но, что важнее, для развития и улучшения качества образовательных программ.

ИИ не способен заменить человеческую экспертизу в процессе оценки достижений вуза и аккредитации. Аналитический отчет, созданный на основе генерации источников информации, требует экспертного прочтения прежде всего представителями вуза для оценки корректности представленной в нем информации и выводов. Принятие решения по оценке качества образования требует, в свою очередь, экспертного мнения, в том числе коллегиального.

По результатам обратной связи представителей вузов и экспертов, участвующих в проекте, было сформулировано предложение: оставить в процедуре аккредитации возможность личного общения экспертов с представителями вуза для уточнения отдельных фактов, представленных в итоговом аналитическом отчете. А также сменить акценты: оценивать не только то, что достигнуто вузом, но и то, как именно это сделано.

Анализ зарубежного опыта показывает, что большинство инициатив по использованию ИИ в процедурах аккредитации находится на стадии академических исследований или ранних пилотных проектов. Прямое и полномасштабное использование ИИ для принятия аккредитационных решений пока не зафиксировано, однако активно исследуются его возможности для повышения эффективности процедур. Среди практических примеров можно привести работу двух аккредитационных агентств США.

Комиссия Южной Ассоциации колледжей и школ (Southern Association of Colleges and Schools Commission on Colleges (SACSCOC)) в своей работе пока регулирует использование ИИ вузами, а не применяет его напрямую. На данном этапе агентство использует отчеты вузов для исследований по обучению своих NLP-моделей. Исследования направлены на создание ИИ-инструментов, способных автоматически анализировать сотни страниц текста, выявляя соответствия стандартам и потенциальные проблемные зоны. Это значительно сокращает время на проверку документации, повышает объективность первичного анализа отчетов и, очевидно, высвобождает ресурсы экспертов для более глубокого, качественного анализа [21].

Комиссия старших курсов колледжей и университетов (WASC Senior College and University Commission (WSCUC)) является одним из пионеров в использовании больших данных. Они внедрили “Key Indicators Dashboard (KID)” – систему, собирающую ключевые показатели эффективности вузов. Следующим логическим шагом, который активно обсуждается в исследовательских кругах, является применение моделей машинного обучения (ML) к этим данным для прогнозирования рисков несоблюдения стандартов и выявления учреждений, требующих более пристального внимания [22]. Тем самым мы видим переход от реактивного к проактивному мониторингу с рекомендациями по оптимизации распределения ресурсов агентства на основе рисков и раннему выявлению негативных тенденций в деятельности образовательных организаций.

Среди международных исследований данного вопроса можно выделить разработку концептуальных моделей ИИ-управляемой аккредитации. Предполагается создание платформ, которые интегрируются с внутренними информационными системами вуза (LMS, SIS) и в режиме реального времени отслеживают выполнение аккредитационных показателей. Это позволяет перейти от стрессовых проверок раз в 5–10 лет к постоянному, автоматизированному процессу подтверждения качества. Такая концепция, по мнению исследователей [23], позволит превратить аккредитацию из периодического события в непрерывный процесс, что снизит бюрократическую нагрузку на вузы за счет автоматического сбора данных и, как следствие, повысит оперативность управления качеством образования.

Таким образом, можно констатировать, что:

– ИИ в процедурах аккредитации используется для автоматизации рутинных и трудоемких задач (анализ текстов, мониторинг данных), чтобы помочь экспертам принимать более обоснованные решения.

– Для применения ИИ в аккредитации необходим большой объем накопленной информации, поскольку успех его внедрения напрямую зависит от доступности и стандартизации данных, собираемых от образовательных организаций. Очевидно, что далеко не все аккредитационные агентства имеют продвинутую инфраструктуру данных.

– На данный момент не существует готовых («коробочных») ИИ-решений, которые бы массово применялись аккредитационными агентствами. Сфера находится на этапе формирования, исследований и создания прототипов.

Зададимся вопросом, возможно ли, и главное – нужно ли использовать ИИ, цифровые технологии и анализ больших данных в процедурах аккредитации образовательных программ? Первые пилотные проекты Китая, Индии, США свидетельствуют о такой возможности и даже необходимости хотя бы для того, чтобы не отставать в технологическом развитии от тех, кого они оценивают. Для развития инновационных университетов и всей системы высшего образования страны нужны не только профессиональные управленцы и аналитики, но и эксперты, владеющие современными знаниями и технологиями обучения. Для гарантии качества подготовки специалистов, способных создавать высокотехнологичную экономику и безопасную среду, необходимы еще более высокотехнологичные инновационные инструменты оценки подготовки студентов.

Кроме того, с учетом скорости внедрения новых технологий в сферу образования и накопления больших объемов объективных данных о деятельности вузов необходима трансформация процедур аккредитации. Уже сегодня можно использовать следующие возможности:

• 1.    Использование ИИ для замены рутинной работы по подготовке и анализу данных для прохождения аккредитации (анализ соответствия требованиям ФГОС, требованиям законодательства и рынка труда, международным стандартам).

• 2.    Сбор, генерация и анализ всей доступной статистической информации [24], устной и письменной обратной связи о качестве подготовки в вузе (анализ достижений по образовательной программе, направлению подготовки и вуза в целом).

• 3.    Подготовка проекта рекомендаций и прогноза развития вуза.

Эффективно работающая электронно-цифровая среда вуза вполне способна собирать и генерировать под заданную структуру полноценные отчеты о достижениях по образовательной программе, а также представлять анализ условий, процесса и результатов ее реализации. Вместе с тем ежегодно собираемая в течение многих лет информация по практически всем направлениям деятельности вузов (прием, статистическая отчетность, мониторинг эффективности, отчеты по научной, международной и экономической деятельности и т.д.) в случае успешности ее генерации может дать широкие возможности для сравнения, анализа динамики показателей, прогнозирования рисков и развития.

Если речь идет о мониторинге деятельности вузов (без их участия в сборе информации), о соблюдении установленных требований и стандартов, а также о контроле возникновения рисков и угроз, использование ИИ может действительно способствовать снижению бюрократической нагрузки специалистов вузов, министерств и ведомств. Но для принятия решения по аккредитации этого недостаточно.

Как и в случае с образовательным процессом, остается вопрос: может ли искусственный интеллект заменить естественный (экспертную оценку)? Согласимся с мнением Резаева А. В., Степанова А. М., Трегубовой Н. Д. [25], несколько перефразируя его: на смену эксперту придет не робот, а другой эксперт, который знает и понимает, когда можно использовать в оценке ИИ, а когда лучше воздержаться от его использования. Оценивая качество образования в вузе, мы имеем дело со сложной социальной системой, где главное – не навредить, не наказать, а предложить квалифицированную помощь и поддержку в дальнейшем совершенствовании.

Необходимость экспертной оценки и эксперта обоснована классической теорией оценивания Дэниела Л. Стаффлбима, предложенной им еще в 1965 году с ориентацией на принятие решений: CIPP (context-input-process-output) как оценка контекста, оценка входных условий, оценка процесса и оценка результата [26]. Эта теория по-прежнему остается актуальной и используется в мировой практике оценки качества образования (анализ теорий, моделей, подходов в оценке качества образовательных программ и организаций представлен в источнике [27]). Согласно этой теории, недостаточно оценить условия (кадровый состав, материально-техническое и информационное оснащение, документацию, финансирование), процесс (управление, администрирование, внутренние процессы образовательной и научной деятельности) и результат (трудоустройство, удовлетворенность, научные результаты, экономическую эффективность). Для обоснованного объективного решения необходимо оценить контекст образовательной деятельности: внешнюю и внутреннюю политику вуза, социальную среду, экономику региона и страны, культурные и исторические предпосылки, а также уже упомянутые нами экологические, эпидемиологические и технологические вызовы в условиях нестабильности и неопределенности. Очевидно, что в данном случае необходим гибридный интеллект как единая познавательная система, где ИИ - внешняя память и вычислительный модуль, а человек – источник сомнений, этических принципов, академической честности и здравого смысла для сохранения качества образования.

Заключение и рекомендации

Очевидно, что в ближайшем будущем в сфере образования роль ИИ будет расширяться за счет более сложных моделей машинного обучения и использования симуляций для сценарного анализа развития образования. Но какие бы вызовы ни стояли перед системой образования, качество подготовки кадров в высшей школе остается важнейшей задачей.

Чтобы гарантировать качество подготовки специалистов в условиях неопределенности и серьезных технологических вызовов, нельзя игнорировать процессы цифровой трансформации в высшей школе и использовать только традиционные методы оценки образовательных результатов. Но и отказаться от традиционной экспертной оценки, полагаясь только на ИИ, тоже нельзя. Когда речь идет не только о соответствии стандарту, которое можно измерить наличием факта или количественным показателем, а о качестве, необходима человеческая оценка. Эксперт, в отличие от ИИ, обладает рядом преимуществ: способностью к сомнению, к эмоциональному диалогу (для подтверждения или опровержения фактов), к этическому выбору в ситуации неопределенности (когда нет правильного ответа и нужно выбирать между одинаково важными ценностями), наконец, способностью задавать правильные вопросы.

Качество – понятие субъективное, и оценка в любом случае будет субъективной, основанной на опыте и знаниях эксперта (в данном случае – о системе высшего образования). ИИ не может заменить эксперта в оценке качества образования, как не может заменить сомелье в оценке качества вина.

В целом, по результатам исследования можно сделать следующие выводы.

• 1.    Использование методики МетАЛиг для агрегирования различных систем оценивания, а также актуальная информация на официальном сайте вуза позволяют обеспечить более объемный внешний и внутренний взгляд на качество образования в вузе, а также делают процедуру аккредитации объективной, прозрачной и доказательной.

• 2.    Использование открытых источников информации в процедуре аккредитации значительно снижает бюрократическую нагрузку как для сотрудников вуза, так и для внешних экспертов.

• 3.    Учёт индикаторов, которые можно получить только из открытых источников, может не охватывать все аспекты деятельности вузов. Важно дополнять статистическую информацию экспертной оценкой на всех этапах процедуры, а также результатами верификации итоговой информации для принятия решения по аккредитации.

Результаты аналитических исследований в процедуре топ-аккредитации позволяют проводить сравнительный анализ вузов страны, отслеживать динамику их достижений, а также строить прогнозы и разрабатывать стратегию развития высшей школы.