Списывание через ИИ: чему учит опыт китайских вузов

В 2022 году китайские студенты покупали доступ к зеркалам ChatGPT на сомнительных площадках – официального доступа к зарубежным ИИ-сервисам в Китае не было. В 2026 году знание ИИ по новому плану Минобразования закрепили как обязательный компонент квалификационного экзамена для учителей. Между этими двумя точками – четыре года и полный разворот в том, как самая большая система образования в мире смотрит на списывание.

Свежий отчёт о состоянии ИИ в китайском образовании (2024–2026) показывает страну, которая попробовала запрет, увидела, что он не работает, и выстроила куда более прагматичную систему. Именно эта система интереснее всего преподавателю в СНГ, который прямо сейчас держит в руках курсовую, написанную явно не студентом.

Сразу оговорю рамку. Это не официальный документ Минобразования КНР, а собранная с помощью ИИ сводка по открытым источникам, причём с китайской оптикой, – относиться к ней стоит со здоровой долей скепсиса. Первоисточники, где они названы (Nature, Heliyon, опросы MyCOS), я привожу отдельно. Цифры там бодрые: 88,52% студентов-инженеров сообщают о росте эффективности учёбы (опрос в Nature Scientific Reports), а 2,97 млн учителей прошли подготовку по ИИ-грамотности (в самой сводке та же цифра местами раздута до невозможных «297 млн» – учителей в КНР около 18 млн, так что лишний повод перепроверять). Но тот же отчёт честно фиксирует и обратную сторону: 30% студентов используют ИИ в первую очередь для написания работ, 63% школьников сталкивались со спам-звонками из-за утечек учебных данных, а почти 18% признались, что ИИ ослабил их способность думать самостоятельно. По данным Stanford AI Index 2026, похожий разрыв фиксируется глобально: 80% студентов используют ИИ, а только 6% преподавателей понимают, какие правила при этом должны действовать. Здесь нас интересует то, что работает на практике, – и особенно та часть, где Китай разбирается со списыванием.

Главный урок: запрет не работает, и Китай это проверил на себе

Начнём с вывода, который отчёт делает почти прямым текстом. Когда ChatGPT появился в конце 2022 года, китайские вузы пошли по интуитивному пути – запретить. Доступ блокировали, использование осуждали. Один студент-юрист вспоминает, как «покупал доступ к зеркалу ChatGPT через тёмную онлайн-площадку, чтобы обойти общенациональный запрет». Знакомая логика: инструмент опасен для честности – значит, перекрыть.

Запрет продержался недолго и развалился сам. К 2024–2025 годам опрос института MyCOS показал, что почти 60% преподавателей и студентов китайских вузов пользуются генеративным ИИ ежедневно или еженедельно, и лишь 1% не трогают его вообще. Когда инструментом пользуются почти все, запрет превращается в фикцию: он не останавливает списывание, а просто загоняет его в тень и наказывает тех, кто честно признался.

Вот первый и самый неудобный урок для преподавателя. Политика «ИИ в работах запрещён» в 2026 году создаёт ровно ту ситуацию, которой вы боитесь: студент всё равно использует модель, но теперь скрывает это, а вы тратите силы на игру в детектив вместо обучения. Это не специфика студентов – то же происходит и в командах: 57% сотрудников скрывают использование ИИ, когда культура организации это не принимает. Китай прошёл эту стадию и от неё отказался. Стоит ли проходить её заново.

Что Китай построил вместо запрета: четыре опоры

Отказавшись от запрета, китайские вузы не скатились в анархию «пользуйтесь чем хотите». Они выстроили систему из четырёх частей, и каждую из них можно разобрать и примерить на свою практику. Сразу честно: примеры ниже – это практики ведущих вузов вроде Фудани и Цинхуа, а не усреднённой китайской школы. Но сами механизмы не требуют их ресурсов и переносятся на любой курс.

Первый элемент – чёткие границы вместо размытого «нельзя». Университет Фудань ввёл подход, который называют «красные линии и зелёные коридоры» (红线与绿道). Красные линии – то, где ИИ запрещён прямо: дизайн исследования и анализ данных, сбор первичных данных, создание ключевых иллюстраций, написание и защита диплома, работа с закрытой информацией. Зелёные коридоры – то, где он разрешён открыто: поиск литературы, помощь с кодом, статистический анализ – с одобрения преподавателя. Студент заранее знает, где граница, а не угадывает её постфактум.

Второй – количественные лимиты. Здесь китайцы сделали ход, до которого в дискуссиях обычно не доходят. Тяньцзиньский университет науки и технологий ограничил долю сгенерированного ИИ контента в дипломе планкой в 40%. Восточно-китайский педагогический университет – 20% в заданиях. Измерить «долю ИИ» точно невозможно, и инструмент несовершенен. Но как норма, задающая ожидание, лимит работает: он легализует помощь модели и одновременно сигналит, что работа целиком из-под ИИ – это уже нарушение.

Третий – обязательное декларирование. Студенты Фудани и Цинхуа подписывают декларацию: использовали ли они ИИ и в каких именно частях работы. Это самый дешёвый и при этом самый недооценённый механизм. Он не ловит нарушителя технически – он меняет рамку. Использование ИИ перестаёт быть тайным грехом и становится тем, о чём положено честно сообщить. А скрытое использование при подписанной декларации – это уже прямой подлог, и относиться к нему можно соответственно.

Четвёртый и главный – переделка заданий. Об этом ниже отдельно, потому что это та опора, которую китайские эксперты называют единственно надёжной.

Прежде чем перейти к практике, честно обозначу разрыв. Прочитать про четыре опоры легко. Сложно – применить их к своему предмету так, чтобы они работали, а не превратились в ещё одну бумажку. Разница между «слышал про декларирование» и «выстроил задание, которое нельзя сдать одним промптом» – это понимание того, что ИИ на самом деле умеет, а где спотыкается. А это понимание берётся только из практики с самим инструментом.

Почему детекторы – не спасение, и Китай это признаёт

Соблазн любого преподавателя – найти технический детектор, который скажет «это написал ИИ», и закрыть вопрос. Китай по этому пути пошёл всерьёз и потратил на него ресурсы, которых у отдельной школы или вуза в СНГ просто нет.

В Университете почты и телекоммуникаций Пекина команда профессора Э Хайхун по заказу Министерства науки и технологий построила систему детекции академических нарушений: она сверяет работы с базой из 4 млн научных статей и 60 млн изображений, выискивая в том числе сфабрикованные данные и поддельные иллюстрации. На экзамене гаокао-2026 пошли ещё дальше: платформы Doubao, Tencent Yuanbao и Baidu Wenxin по договорённости отключили функцию ответа по фотографии вопроса на время экзамена. То есть списывание предотвращают в реальном времени, а не ловят постфактум.

И вот вывод, который отчёт фиксирует прямо: китайские эксперты сходятся на том, что технической детекции недостаточно. Детектор ловит грубое копирование, но обходится перефразированием, плохо работает с короткими текстами и регулярно даёт ложные срабатывания – а ложное обвинение честного студента дороже пропущенного списывания. Поэтому даже страна, способная построить базу на 60 млн изображений, не считает детекцию основным рубежом обороны.

Для преподавателя в СНГ это снимает ложную надежду. Не ищите волшебный детектор – его нет даже у тех, кто вложил в него миллионы. Энергию, которую вы потратили бы на ловлю ИИ-текста после сдачи, разумнее вложить туда, где у Китая получилось: в само задание.

Что брать в работу прямо в понедельник

Перейдём от анализа к практике. Вот что из китайского опыта переносится на уровень отдельного преподавателя без бюджета, без приказа сверху и без специального ПО.

Первый шаг – правило декларирования. Это самый дешёвый ход с самым высоким эффектом. Добавьте в требования к любой работе одну строку: «Укажите, использовали ли вы ИИ и в каких частях работы». Речь не о слежке, а о смене нормы – ровно то, что сделали в Фудани и Цинхуа. Студент, который честно написал «использовал ИИ для поиска источников и проверки грамматики», ведёт себя правильно. Студент, который не написал ничего, а работа явно сгенерирована, нарушил конкретное обязательство – не размытое «не злоупотреблять».

Второй – провести границу для своего предмета. Министерский документ для этого не нужен. Сформулируйте для своего курса: где ИИ – помощник (черновик, разбор примера, проверка кода), а где – нарушение (итоговый анализ, выводы, защита). Студенты ценят ясность границы куда выше, чем её строгость: размытое «не злоупотребляйте ИИ» порождает больше нарушений, чем честное «вот здесь можно, вот здесь нет».

Третий и наиболее надёжный – перестроить хотя бы одно задание под то, чего у модели нет. Идея проста: задание, которое решается одним промптом, и должно решаться одним промптом – значит, оно проверяет не того студента. Опирайте работу на то, к чему у модели нет доступа:

• данные и материалы с вашей конкретной пары, которых нет в интернете;
• локальный контекст: ваш город, ваше предприятие, конкретный кейс из вашей практики;
• личный опыт и рефлексию студента, привязанную к процессу, а не к результату;
• устную защиту, где надо объяснить ход рассуждений, а не предъявить готовый текст.

Собрать такое задание с нуля бывает долго, поэтому проще начать с готового каркаса. Наш генератор учебных кейсов собирает кейс под ваш предмет за пару минут – дальше его остаётся привязать к своим данным, локальному контексту и защите вслух, то есть к тому, чего у модели нет.

И четвёртый – сместить проверку с продукта на процесс. Отчёт прямо называет это направлением реформы оценивания в Китае: оценивать не финальный текст, который ИИ напишет за минуту, а критическое мышление, творчество и совместное решение задач – то, что модель пока не подделывает. Промежуточные черновики, обсуждение в группе, защита решения вслух – всё это смещает центр тяжести с того, что легко сгенерировать, на то, что приходится продумать.

Заметьте: ни один из этих шагов не требует поймать студента за руку. Все они меняют саму ситуацию так, что списывание либо теряет смысл, либо становится видимым без детектора.

Не только про списывание: где ИИ в образовании реально сработал

Было бы нечестно свести весь китайский опыт к обороне от списывания. Отчёт фиксирует и применения, которые стоит знать, – с поправкой на тот же скепсис к цифрам. Схожие паттерны – и пользы, и деградации мышления – зафиксированы не только в Китае: исследование Университета Иллинойса показало, что правильно откалиброванный ИИ-наставник даёт обратный эффект по сравнению с бесконтрольным использованием.

Самое сильное из доказанного – выравнивание разрыва между сельскими и городскими школами. Контролируемый эксперимент в 12 китайских школах (4 городские, 8 сельских), опубликованный в журнале Heliyon, показал, что ИИ-поддержка дала сельским школам прирост результатов на 15,69% против 10,27% в городских. Механизм понятен: там, где не хватает сильных учителей и материалов, персональный ИИ-помощник частично компенсирует дефицит. Это перекликается с более ранней китайской программой дистанционного образования 2004 года, которая, по оценке исследования VoxDev, сократила городско-сельский разрыв в образовании на 21%. Для регионов СНГ с той же проблемой неравного доступа это, пожалуй, самый обнадёживающий сигнал из всего отчёта.

Второе, самое заметное в школьной рутине, – автоматическая проверка работ. Системы автоматической оценки сочинений на базе больших моделей (например, на движке iFlytek Spark) к 2025 году применялись примерно в 30 000 школ: они разбирают текст по нескольким измерениям – тема, структура, язык – и снимают с учителя рутину первичной сверки. Цифры тут стоит делить надвое, но направление честное: машина берёт на себя рутину, а итоговое суждение оставляет человеку. Это ровно тот случай, где ИИ экономит время, не подменяя педагога.

Третье – персонализация. Рандомизированный эксперимент в Университете Цинхуа показал, что студенты с ИИ-наставником ощущали больше контроля над учёбой и выполняли задания эффективнее, причём это ощущение контроля предсказывало и реальный рост результатов на тесте. Но тут же отчёт ставит важную оговорку: при 88,52% (по данным отчёта), заявивших о росте эффективности, почти половина не почувствовала роста собственно успеваемости. Эффективность и обученность – разные вещи. Студент делает задание быстрее, но «немедленное чувство выполненного» может маскировать поверхностное обучение. И это не оговорка, а методологическое противоречие: если «эффективность» растёт, а успеваемость нет, значит, метрика ловит скорость сдачи, а не глубину обучения. ИИ, ускоряющий выполнение, – не то же самое, что ИИ, углубляющий понимание.

И четвёртое, тревожное, – «аутсорсинг мышления» (思维外包). В Цинхуа заметили студентов, которые принимали сгенерированный код и схемы, не вникая в них. Почти 18% китайских студентов-инженеров сами признали, что ИИ ослабил их способность мыслить самостоятельно. Это та же проблема, которую HBR в июне 2026 года назвал thinkslop: результат выглядит профессионально, но за ним нет когнитивной работы автора. Если ИИ берёт на себя думанье, а не рутину, образование проигрывает, даже когда метрики эффективности растут.

Что из этого следует

Главный вывод китайского опыта обманчиво прост. Запрет студенты обходят, детектор ошибается, а энергия преподавателя уходит в песок. Устойчивее работает другое: явные границы, честное декларирование использования и – главное – задания, которые проверяют то, чего у модели нет: ваш контекст, личный опыт студента, способность объяснить ход мысли.

Ни один из этих шагов не про технологии. Все они про педагогику и про одно ключевое умение самого преподавателя – понимать, что ИИ реально делает хорошо, а где уверенно ошибается. Без этого понимания вы не отличите работу студента от работы модели, не проведёте осмысленную красную линию и не построите задание, устойчивое к одному промпту. Китайский отчёт упирается в это снова и снова: технология – не главное, главное – человеческое суждение поверх неё.

С этого и стоит начать: самому сесть за десяток реальных задач с ИИ и увидеть его сильные и слабые места своими глазами – ровно то, что Китай теперь закрепляет требованием к каждому учителю через квалификационный экзамен.

Читайте также

80% студентов используют AI – и 6% преподавателей понимают правила

73% экспертов верят в AI – и только 23% обычных людей. Кто прав?

Как устроено обучение на платформе mysummit.school

Когда ИИ вредит обучению – и когда удваивает результат