Авторы
- Тхориков Борис Александрович доктор экономических наук, профессор
Аннотация
Статья посвящена переосмыслению роли практических заданий в бизнес-образовании в условиях широкого распространения генеративных моделей
искусственного интеллекта. На основе теоретического анализа и результатов онлайн-опроса преподавателей (n = 47) и студентов (n = 203) московских вузов выявлены типы заданий, наиболее уязвимые к автоматизации, а также факторы, определяющие снижение или усиление образовательной ценности учебной деятельности. Показано, что формальными и легко заменяемыми ИИ оказываются задания репродуктивного характера, не требующие интерпретации, аргументации и обращения к индивидуальному опыту. Напротив, задания, основанные на работе с первичными данными, ситуационном анализе и устном обосновании решений, сохраняют развивающий потенциал и стимулируют формирование управленческого мышления. На основе эмпирических данных сформулированы четыре принципа проектирования «антишаблонных » заданий, устойчивых к автоматизации: обучение через действие, индивидуальный контекст, принцип одного кейса и проверка изменением условий. Предложена модель оценивания, ориентированная на когнитивную автономию и аналитическую гибкость студента. Результаты могут быть использованы при обновлении дидактических практик в программах бакалавриата, магистратуры и ДПО в области управления и предпринимательства.
Как ссылаться
Тхориков, Б. А. (2026). ПРАКТИЧЕСКИЕ ЗАДАНИЯ В БИЗНЕС-ОБРАЗОВАНИИ: АДАПТАЦИЯ К ВЫЗОВАМ ГЕНЕРАТИВНОГО ИИ Вестник Московского городского педагогического университета. Серия «Педагогика и психология», 20 (2), 122. https://doi.org/10.24412/2076-9121-2026-2-122-135
Список литературы
1.
1. Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228–239. https://doi.org/10.1080/14703297.2023.2190148
2.
2. Luo, J. (2024). A critical review of GenAI policies in higher education assessment: A call to reconsider the “originality” of students’ work. Assessment & Evaluation in Higher Education, 49(5), 651–664. https://doi.org/10.1080/02602938.2024.2309963
3.
3. Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19, 26. https://doi.org/10.1007/s40979-023-00146-z
4.
4. Williams, A. (2025). Integrating artificial intelligence into higher education assessment. Intersection: A Journal at the Intersection of Assessment and Learning, 6(1), 128–154. https://doi.org/10.61669/001c.131915
5.
5. Evangelista, E. D. L. (2025). Ensuring academic integrity in the age of ChatGPT: Rethinking exam design, assessment strategies, and ethical AI policies in higher education. Contemporary Educational Technology, 17(1), ep559. https://doi.org/10.30935/cedtech/15775
6.
6. Khlaif, Z. N., Alkouk, W. A., Salama, N., & Abu Eideh, B. (2025). Redesigning assessments for AI-enhanced learning: A framework for educators in the generative AI era. Education Sciences, 15(2), 174. https://doi.org/10.3390/educsci15020174
7.
7. Gonsalves, C. (2025). Contextual assessment design in the age of generative AI. Journal of Learning Development in Higher Education, 34. https://doi.org/10.47408/jldhe.vi34.1307
8.
8. Finkel-Gates, A. (2025). ChatGPT in academic assessments: Upholding integrity. Journal of Learning Development in Higher Education, 36. https://doi.org/10.47408/jldhe.vi36.1491
9.
9. Agostini, D., Picasso, F., & Ballardini, H. (2024). Large Language Models for the Assessment of Students’ Authentic Tasks: A Replication Study in Higher Education. CEUR Workshop Proceedings, 3879. https://ceur-ws.org/Vol-3879/AIxEDU2024_paper_36.pdf
10.
10. Klyshbekova, M., & Abbott, P. (2024). ChatGPT and assessment in higher education: A magic wand or a disruptor? Electronic Journal of e-Learning, 22(2), 30–45. https://doi.org/10.34190/ejel.21.5.3114
11.
11. Bittle, K., & El-Gayar, O. (2025). Generative AI and academic integrity in higher education: A systematic review and research agenda. Information, 16(4), 296. https://doi.org/10.3390/info16040296
12.
12. Elkhatat, A. M., Elsaid, K., & Almeer, S. (2023). Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text. International Journal for Educational Integrity, 19, 17. https://doi.org/10.1007/s40979-023-00140-5
13.
13. Nikolic, S., Daniel, S., Haque, R., Belkina, M., Hassan, G. M., Grundy, S., Lyden, S., Neal, P., & Sandison, C. (2023). ChatGPT versus engineering education assessment: A multidisciplinary and multi-institutional benchmarking and analysis of this generative artificial intelligence tool to investigate assessment integrity. European Journal of Engineering Education, 48(4), 559–614. https://doi.org/10.1080/03043797.2023.2213169
14.
14. Freeman, J. (2025). Student Generative AI Survey 2025. Higher Education Policy Institute. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2025/
15.
15. Valcea, S., Hamdani, M. R., & Wang, S. (2024). Exploring the impact of ChatGPT on business school education: Prospects, boundaries, and paradoxes. Journal of Management Education. https://doi.org/10.1177/10525629241261313