Откуда берутся правила использования ИИ в образовании: Типология правил Лоррейн Дастон как инструмент анализа

Журнал «KANT» №3(60) 2026 [стр. 11-19]

DOI: 10.24923/2222-243X.2026-60.2

Авторы: Аширов Азиз Абдыбекович, аспирант ORCID ID 0009-0003-4757-8838, Кешишян Мария Ованесовна, ассистент, Национальный исследовательский университет ИТМО, Санкт-Петербург (Россия)

Ключевые слова: искусственный интеллект в образовании; регулирование ИИ; академическая честность; тонкие и толстые правила; педагогическое суждение; неявное знание.

Цитировать: Аширов А.А., Кешишян М.О. Откуда берутся правила использования ИИ в образовании: Типология правил Лоррейн Дастон как инструмент анализа // KANT. — 2026. — №3(60). — С. 11–19. EDN: AGGLIK. DOI: https://doi.org/10.24923/2222-243X.2026-60.2

Исследование посвящено проблеме происхождения и обоснования правил использования искусственного интеллекта в образовании, а также условиям их действенности. Своевременность обращения к теме определяется быстрым распространением ИИ в образовательной практике и необходимостью выработки нормативных подходов, способных учитывать специфику педагогической деятельности, а не только административные требования. На материале международных документов, институциональных политик университетов и локальных образовательных практик показано, что существующие модели регулирования ИИ воспроизводят преимущественно логику «тонких» правил, по Л. Дастон, — кратких и однозначных предписаний, исключающих интерпретацию и вытесняющих педагогическое суждение. Целью исследования является выявление источников формирования правил использования ИИ в образовании и анализ их соответствия требованиям образовательной практики. Для достижения цели решаются задачи: проанализировать существующие подходы к регулированию ИИ на международном и институциональном уровнях; выявить доминирующий тип правил; сопоставить его с требованиями педагогической деятельности. Методологической основой исследования выступает концепция Лоррейн Дастон, различающая «тонкие» и «толстые» правила, а также правила-парадигмы как образцы мышления и действия. В теоретическом диалоге с данной концепцией используется аргумент Ричарда Хьюса Гибсона о педагогической, а не административной природе определения роли ИИ в высшем образовании. В результате установлено, что разрыв между «тонкими» правилами формального регулирования и «толстыми» правилами, необходимыми для образовательной практики, имеет философские основания и связан с исторической тенденцией алгоритмизации норм и вытеснения человеческого усмотрения. Обоснована необходимость переориентации разработки правил использования ИИ с запретительной логики на парадигмальную, предполагающую создание и распространение образцов продуктивной педагогической практики.

скачать

Литература:
1.    Гарбук С.В. Автоматизированные интеллектуальные системы: этический и нормативно-технический подходы к регулированию / С.В. Гарбук, А.В. Углева // Человек. — 2024. Т. 35, №4. — С. 97–116. https://doi.org/10.31857/S0236200724040067
2.    An Y. Investigating the higher education institutions' guidelines and policies regarding the use of generative AI in teaching, learning, research, and administration / Y. An, J. H. Yu, S. James // International Journal of Educational Technology in Higher Education. — 2025. — №1. — P. 1–23.
3.    Chan C.K.Y. A comprehensive AI policy education framework for university teaching and learning / C.K.Y. Chan // International Journal of Educational Technology in Higher Education. — 2023. — №1. — P. 38.
4.    Dai Y. University policies on generative AI in Asia: Promising practices, gaps, and future directions / Y. Dai, S. Lai, C. P. Lim, A. Liu // Journal of Asian Public Policy. — 2025. — № 2. — P. 260–281.
5.    Daston L. Rules: A short history of what we live by / L. Daston — Princeton: Princeton University Press, 2022. — 384 p.
6.    Ghimire A. From guidelines to governance: A study of AI policies in education / A. Ghimire, J. Edwards // Artificial Intelligence in Education. — 2024. — P. 1–15. https://doi.org/10.48550/arXiv.2403.15601
7.    Jin Y. Generative AI in higher education: A global perspective of institutional adoption policies and guidelines / Y. Jin, L. Yan, V. Echeverria, D. Gasevic, R. Martinez-Maldonado // Computers and Education: Artificial Intelligence. — 2025. — № 8. — P. 100348.
8.    Jobin A. The global landscape of AI ethics guidelines / A. Jobin, M. Ienca, E. Vayena // Nature Machine Intelligence. — 2019. — № 9. — P. 389–399.
9.    Kuhn T.S. The structure of scientific revolutions / T.S. Kuhn — Chicago: University of Chicago Press, 1962. — 264 p.
10.    Luo J. A critical review of GenAI policies in higher education assessment: A call to reconsider the "originality" of students' work / J. Luo // Assessment & Evaluation in Higher Education. — 2024. — № 5. — P. 651–664.
11.    McDonald N. Generative artificial intelligence in higher education: Evidence from an analysis of institutional policies and guidelines / N. McDonald, A. Johri, A. Ali, A. Hingle Collier // Computers in Human Behavior: Artificial Humans. — 2025. — № 3. — P. 100121.
12.    Mittelstadt B. Principles alone cannot guarantee ethical AI / B. Mittelstadt // Nature Machine Intelligence. — 2019. — № 11. — P. 501–507.
13.    Polanyi M. The tacit dimension / M. Polanyi — New York: Doubleday, 1966. — 128 p.
14.    Schiff D. Education for AI, not AI for education: The role of education and ethics in national AI policy strategies / D. Schiff // International Journal of Artificial Intelligence in Education. — 2022. — № 3. — P. 527–563.
15.    Stracke C.M. Analysis of artificial intelligence policies for higher education in Europe / C. M. Stracke, D. Griffiths, D. Pappa et al. // International Journal of Interactive Multimedia and Artificial Intelligence. — 2025. — № 2. — P. 124–137.
16.    Waiting, banning, and embracing: An empirical analysis of adapting policies for generative AI in higher education / P. Xiao, Y. Chen, W. Bao. 2023. — https://doi.org/10.48550/arXiv.2305.18617
17.    Wu C. AI governance in higher education: Case studies of guidance at Big Ten universities / C. Wu, H. Zhang, J. M. Carroll // Future Internet. — 2024. — №10. — P. 354.

Where do the rules for the use of AI in education come from: Lorraine Daston’s typology of rules as an analytical tool

Authors: Ashirov Aziz Abdybekovich, Postgraduate student, Keshishian Maria Ovanesovna, Assistant, National Research University ITMO, St. Petersburg (Russia)

Keywords: artificial intelligence in education; AI regulation; academic integrity; thick and thin rules; pedagogical judgment; tacit knowledge.

The article addresses the problem of the origin and justification of rules governing the use of artificial intelligence in education, as well as the conditions of their effectiveness. The relevance of the study is обусловлена the rapid diffusion of AI in educational practice and the need to develop regulatory approaches that take into account the specificity of pedagogy rather than merely administrative requirements. Based on an analysis of international documents, institutional university policies, and local educational practices, the authors demonstrate that existing models of AI governance predominantly reproduce the logic of “thin” rules—brief and unambiguous prescriptions that exclude interpretation and displace pedagogical judgment. The aim of the study is to identify the sources of rules for the use of AI in education and to assess their alignment with the needs of educational practice. To achieve this aim, the study addresses the following objectives: to analyze existing approaches to AI regulation at the international and institutional levels; to identify the dominant type of rules; and to compare these with the requirements of pedagogical practice. The methodological framework is based on Lorraine Daston’s concept distinguishing between “thin” and “thick” rules, as well as paradigm rules understood as models of thinking and action. In dialogue with this framework, the authors draw on Richard Hughes Gibson’s argument that defining the role of AI in higher education is a pedagogical rather than an administrative problem. The findings show that the gap between “thin” rules produced by formal regulation and the “thick” rules required by educational practice has philosophical foundations and reflects a broader historical tendency toward the algorithmization of norms and the displacement of human judgment. The article concludes by arguing for a shift in AI governance in education from a prohibitive logic to a paradigmatic one, focused on the creation and dissemination of exemplary pedagogical practices.