ხელოვნური ინტელექტი უნივერსიტეტებში: როგორ ცვლის AI სწავლების წესებს საქართველოში და მსოფლიოში

2025 წლის მონაცემებით, გლობალურად განათლების სფეროში ხელოვნური ინტელექტის (AI) ბაზარი 20 მილიარდ დოლარს აჭარბებს და უკვე აღარავის უკვირს, როცა უნივერსიტეტებში გაკვეთილებს გენერაციული მოდელები, ქულებს ავტომატური სისტემები ანიშნავენ და ენებს სტუდენტები NLP ტექნოლოგიებით სწავლობენ. BTUAI-ის მიერ მომზადებული კვლევა სწორედ ამ გარდატეხის საუკეთესო გლობალურ პრაქტიკებს აანალიზებს და აფასებს მათ ინტეგრაციის პოტენციალს საქართველოში.

კვლევა გვთავაზობს ხუთ ძირითად მიმართულებას, სადაც AI უმაღლეს განათლებაში ყველაზე ფართოდ გამოიყენება. მათ შორის პირველია პერსონალიზებული სწავლება, რომელიც პლატფორმების (DreamBox, ALEKS, XuetangX და სხვ.) მეშვეობით სტუდენტს ინდივიდუალურად მორგებულ მასალას სთავაზობს. ეს ტექნოლოგიები სწავლების ეფექტიანობას 25–30%-ით ზრდიან, თუმცა მოითხოვენ ხარისხიან მონაცემს და მკაცრ კონფიდენციალურობას. პრაქტიკაში, მაგალითად, DreamBox ამერიკის სკოლებში უკვე ათასობით მოსწავლეს იყენებს და შედეგებს დამოუკიდებლად აფასებს. მსგავსი მიდგომა საქართველოში საჭიროებაშიც მაღალია, თუმცა ინფრასტრუქტურული სხვაობა ჯერ კიდევ მნიშვნელოვანი ბარიერია.

მეორე მიმართულებაა ინტელექტუალური დამხმარე ასისტენტები, რომლებიც ხშირად გაერთიანებულია პირად ტიუტორებად – MATHia, Squirrel AI და Khanmigo მსგავსი პლატფორმები უზრუნველყოფენ პერსონალიზებულ ახსნას და ცოდნის ხარვეზების დიაგნოსტიკას. საქართველოში კი სტუდენტების დიდი ნაწილი ამჟამადაც გაკვეთილის გარეთ ეძებს „ხსნას“ – იქნება ეს ფეისბუქ ჯგუფი თუ რაიმე პროგრამა, რაც მიანიშნებს ამ მიდგომის პრაქტიკულ საჭიროებაზე, მაგრამ სისტემურ დანერგვამდე კვლავ სჭირდება ტრენინგები, ციფრული წიგნიერების ზრდა და მენტორული მოდელის გადახედვა.

მესამე სფეროა ავტომატიზებული შეფასება და უკუკავშირი. Gradescope და EssayGrader-ს მსგავსი პლატფორმები წერით დავალებებსაც კი აფასებენ, ზოგჯერ ღირებულ დროს 90%-ით ამცირებენ. ამას შეუძლია ლექტორის პროფესიული გადატვირთვის შემცირება — პრობლემას, რომელიც ქართულ რეალობაში განსაკუთრებით მწვავედ დგას, სადაც ერთ ლექტორს ერთდროულად რამდენიმე უნივერსიტეტში უწევს მუშაობა. თუმცა, ალგორითმების მიკერძოება და უკუკავშირის სანდოობა ჯერ კიდევ საკამათო საკითხია, რაც შეფასებისას ადამიანის ჩართულობას მაინც საჭიროს ხდის.

მეოთხე და, ქართულ კონტექსტში, კვლევის მიხედვით, ყველაზე საჭირო მიმართულებაა AI-ზე დაფუძნებული მასალის შექმნა — ეს საშუალებას აძლევს მასწავლებლებს რამდენიმე საათში შექმნან ტესტები, კურსები და ვიდეოგაკვეთილები. თუმცა, რეალობაში, ხშირად იქმნება დაბალი ხარისხის და არამორგებული შინაარსი, რაც კიდევ ერთხელ აჩვენებს, რომ ტექნოლოგია ვერ ცვლის კომპეტენციას — ის აჩქარებს და ამარტივებს პროცესს, მაგრამ არ ანაცვლებს პედაგოგიურ მიდგომას.

ბოლოს, ენის სწავლა და თარგმნა — ერთ–ერთი ყველაზე ხელმისაწვდომი მიმართულებაა. Duolingo-ს მსგავსი პროგრამები უკვე ფართოდ გამოიყენება ქართულ საგანმანათლებლო სივრცეშიც. თუმცა, კვლევა აღნიშნავს, რომ ამ ტექნოლოგიებზე გადაჭარბებული დამოკიდებულება და კულტურული ნიუანსების უგულებელყოფა პრობლემებს ქმნის, განსაკუთრებით აკადემიურ კონტექსტში.

კვლევამ საქართველოში ამ ხუთივე მიმართულების განხორციელების საჭიროება და სირთულე შეაფასა. მაღალი საჭიროება დაფიქსირდა AI მასალების შექმნაზე, პერსონალიზებულ სწავლებასა და ასისტენტებზე, თუმცა მათი დანერგვა შედარებით რთულია ტექნიკური რესურსების, ტრენინგების დეფიციტისა და ინფრასტრუქტურული უთანასწორობის გამო.

მაგალითად, კვლევის მიხედვით, მიუხედავად იმისა, რომ მოსახლეობის 92%-ს აქვს ინტერნეტზე წვდომა, რეგიონებში ეს მაჩვენებელი მკვეთრად ეცემა. ფაკულტეტის გადატვირთულობა და დაბალი ტექნიკური მზაობა კიდევ უფრო ამცირებს შესაძლებლობებს. საინტერესოა, რომ ეს პრობლემები მხოლოდ ტექნიკური არაა — ის ეხება იმ ფაქტს, რომ დღესაც ბევრი უნივერსიტეტი ვერ უზრუნველყოფს სწავლების ისეთ მოდელს, რომელიც რეალურად პასუხობს ინდუსტრიულ მოთხოვნებს და სტუდენტის ინდივიდუალურ საჭიროებებს.

AI-ის პოტენციალი სწავლებაში არ ამოიწურება მხოლოდ ინსტრუმენტებით. ის ცვლის როლებს — ლექტორი ხდება მენტორი და პროცესის ორგანიზატორი, სტუდენტი კი უფრო მეტად დამოუკიდებელი შემსწავლელი. ეს მოითხოვს არა მხოლოდ ტექნიკური პლატფორმების დანერგვას, არამედ უნივერსიტეტური კულტურის ცვლილებასაც.

BTUAI-ის სრული კვლევა ხელმისაწვდომია შემდეგ ბმულზე.