პუბლიკაციები

1. შესავალი

წინამდებარე ანგარიში მიმოიხილავს წამყვანი დასავლური უნივერსიტეტების საჯაროდ ხელმისაწვდომ გზამკვლევ დოკუმენტებს სწავლების პროცესში გენერაციული ხელოვნური ინტელექტის ინტეგრირების შესახებ. კვლევა ეყრდნობა როგორც ცალკეული ინსტიტუციების პოლიტიკას, ისე დარგობრივ ჩარჩო დოკუმენტებს, რომლებსაც ეს ინსტიტუციები ეყრდნობიან.

მარეგულირებელი გარემოს, დაფინანსების მოდელებისა და ინსტიტუციური კულტურის განსხვავებულობის მიუხედავად, მსოფლიოს წამყვან უნივერსიტეტებში არსებითად მსგავსი პოლიტიკური არქიტექტურაა: (1) ხელოვნური ინტელექტის გამოყენება დაშვებულია გამჭვირვალობისა და ეთიკური ნორმების დაცვით; (2) გამოყენების/შეზღუდვების კონკრეტული წესები დელეგირებულია სკოლის ან ლექტორის დონეზე; (3) AI-წიგნიერება აღიარებულია, როგორც კურსდამთავრებულის საბაზისო უნარ-ჩვევა; (4) გრძელვადიანად აუცილებელ პირობად მიიჩნევა შეფასების მეთოდების გადააზრება, ნაცვლად აკრძალვებისა ან ტოტალური კონტროლისა.

უნივერსიტეტებს შორის მთავარია განმასხვავებელი ცენტრალიზებული პოლიტიკის ხარისხი, ასევე, ხელოვნური ინტელექტის გამოყენების მითითების სტანდარტები და საკანონმდებლო ბაზები (GDPR, FERPA, Privacy Act, FIPPA), რომლებიც განსაზღვრავს მონაცემთა დაცვისა და უსაფრთხოების სტანდარტებს.

საქართველოში არსებული უნივერსიტეტებისთვის, რომლებიც ინსტიტუციური AI-პოლიტიკის შემუშავების საწყის ეტაპზეა, საერთაშორისო გამოცდილება გვთავაზობს ერთიან გზამკვლევსა და პრაქტიკას, თუ როგორ უნდა ინტეგრირდეს ხელოვნური ინტელექტი სასწავლო პროცესში ეთიკურად და გამჭვირვალედ. კვლევის ანგარიშის მე-5 თავში მოცემულია ზოგადი  რეკომენდაციები უნივერსიტეტებისთვის.

2. მეთოდოლოგია და მასშტაბი

„Times Higher Education“-ის 2026 წლის მსოფლიო უნივერსიტეტების რეიტინგში ოქსფორდის უნივერსიტეტი, ზედიზედ მეათე წელია, პირველ ადგილს იკავებს. საუკეთესო ორმოცდაათეულის ზედა ნაწილში კვლავ დასავლური ინსტიტუციები (აშშ, დიდი ბრიტანეთი, კონტინენტური ევროპა, კანადა და ავსტრალია) დომინირებს, აზიურ ინსტიტუციებთან ერთად (მატერიკული ჩინეთი, ჰონგ-კონგი, სინგაპური, იაპონია). წინამდებარე ანგარიში ფოკუსირებულია ამ ტოპ-50-ში შემავალ დასავლურ უნივერსიტეტებზე.

ინსტიტუციების დიდი რაოდენობისა და პოლიტიკის დოკუმენტების მოცულობის გათვალისწინებით, ანგარიში აერთიანებს სამი კატეგორიის ურთიერთშემავსებელ წყაროებს:

• დიდი ბრიტანეთის, აშშ-ის, შვეიცარიის, ნიდერლანდების, გერმანიის, კანადისა და ავსტრალიის 25-ზე მეტი წამყვანი დასავლური უნივერსიტეტის მიერ გამოქვეყნებული AI/GenAI გზამკვლევი დოკუმენტების პირდაპირი მიმოხილვა;
• ეროვნული ჩარჩო-დოკუმენტები (ასეთის არსებობის შემთხვევაში), რომლებსაც უნივერსიტეტები ეყრდნობა;
• შედარებითი აკადემიური და რეცენზირებული კვლევები, რომლებშიც გაანალიზებულია ათეულობით უნივერსიტეტის ინსტიტუციური პოლიტიკა.

3. რეგიონული ანალიზი

3.1 დიდი ბრიტანეთი - Russel Group-ის მოდელი

დიდი ბრიტანეთის Russel Group-მა, რომელშიც ერთიანდება 24 კვლევითი უნივერსიტეტი, მათ შორის, ოქსფორდი, კემბრიჯი, UCL, ედინბურგი, მანჩესტერი, King’s College, LSE და Bristol University, 2023 წლის ივლისში გამოაქვეყნა ხუთი ერთობლივი პრინციპი:

1. AI-წიგნიერების გავრცელება და მხარდაჭერა;
2. პერსონალის აღჭურვა შესაბამისი ცოდნით, რათა დაეხმაროს სტუდენტებს გენერაციული AI ინსტრუმენტების ეფექტურად და მართებულად გამოყენებაში;
3. სწავლებისა და შეფასების ადაპტირება, რათა მათში ინტეგრირდეს გენერაციული ხელოვნური ინტელექტის ეთიკური გამოყენება და უზრუნველყოფილი იყოს თანაბარი ხელმისაწვდომობა;
4. აკადემიური ეთიკისა და კეთილსინდისიერების დაცვის გაძლიერება;
5. უნივერსიტეტთაშორისი თანამშრომლობა საუკეთესო პრაქტიკის გასაზიარებლად, ტექნოლოგიის განვითარების პარალელურად.

ცალკეული უნივერსიტეტები ამ პრინციპებს პრაქტიკაში განსხვავებულად ახორციელებენ:

• ოქსფორდის მიდგომა შემდეგია: AI-ის გამოყენება შეიძლება სწავლის ხელშესაწყობად, ახალი იდეების გენერირებისთვის, ტექნიკური დავალებებისთვის, თუმცა, გამოყენების შემთხვევაში, სტუდენტი ვალდებულია, მიუთითოს. 
• კემბრიჯის უნივერსიტეტში AI-ის გამოყენება პერსონალური სწავლისა და კვლევისთვის დაშვებულია, თუმცა შეზღუდულია განმავითარებელი (summative) შეფასებისთვის - ნებართვის გარეშე. უნივერსიტეტი ღიად აცხადებს, რომ AI დეტექტორები არ მუშაობს, რის გამოც უარს ამბობს ცენტრალიზებული დეტექტორის დანერგვაზე.
• Imperial College London-მა დანერგა „გამოკითხვები“, რომლის ფარგლებშიც, სტუდენტს შეიძლება სთხოვონ წარდგენილი ნაშრომის ზეპირად დაცვა იმის დასადასტურებლად, რომ ნაშრომი მის ცოდნას ასახავს.
• King’s College-მა (KCL) შექმნა ერთ-ერთი ყველაზე სტრუქტურირებული ჩარჩო, რომელიც ორგანიზებულია სამ დონეზე: მაკრო (უნივერსიტეტის მასშტაბით), მეზო (დეპარტამენტი/პროგრამა) და მიკრო (ინდივიდუალური ლექტორი და შეფასების დიზაინი). საინტერესოა, რომ KCL არ სთხოვს სტუდენტებს გენერაციული AI-ის, როგორც წყაროს, მითითებას ბიბლიოგრაფიაში (რადგან მას სამეცნიერო წყაროდ არ აღიარებს), თუმცა, გამოყენების შემთხვევაში, მითითებას მოითხოვს.
• ედინბურგის უნივერსიტეტმა გამოაქვეყნა აკრძალული ქმედებების ყველაზე დეტალური სია, რომელიც მოიცავს ნაშრომის თარგმნაში AI-ის გამოყენებას. ინსტრუმენტის ამგვარი გამოყენება განიმარტება, როგორც ფსევდოავტორობა, ასევე შეზღუდულია AI-აგენტებისა და ბრაუზერების გამოყენება უნივერსიტეტის ვირტუალურ სასწავლო გარემოში (VLE).

3.2 ამერიკის შეერთებული შტატები - დეცენტრალიზებული, ლექტორზე ორიენტირებული მართვა

აშშ-ის ელიტური უნივერსიტეტები (ჰარვარდი, MIT, სტენფორდი, პრინსტონი და ა.შ.) იზიარებენ საერთო არქიტექტურას: ინსტიტუციური პრინციპების ზოგადი გზამკვლევი (რომელიც ძირითადად ორიენტირებულია ღირსების კოდექსზე, მონაცემთა უსაფრთხოებასა და ეთიკაზე) და ფართო უფლებამოსილება ცალკეული სკოლების, დეპარტამენტებისა და ლექტორებისთვის. თითქმის ყველა ამერიკული უნივერსიტეტის გზამკვლევში მეორდება ფრაზა: „მიჰყევით თქვენი ლექტორის მითითებებს და თუ სილაბუსი დუმს, ჩათვალეთ, რომ ხელოვნური ინტელექტის გამოყენება აკრძალულია.“

აშშ-ის უნივერსიტეტები ბრიტანულისგან იმით განსხვავდება, რომ მათი ცენტრალური გზამკვლევი დოკუმენტები უფრო მეტად ინფორმაციულ უსაფრთხოებასა და მონაცემთა კლასიფიკაციას უსვამს ხაზს, ვიდრე პედაგოგიკას. მაგალითად, ჰარვარდის ცენტრალური IT გზამკვლევი კრძალავს კონფიდენციალური მონაცემების მიწოდებას ხელოვნური ინტელექტის ინსტრუმენტებისთვის (კვლევითი მონაცემები, HR, ფინანსები, სტუდენტთა ჩანაწერები). მსგავსად, MIT კრძალავს „მაღალი რისკის“ მქონე ინსტიტუციური მონაცემების შეყვანას ნებისმიერი AI ინსტრუმენტის გამოყენებისას, ხოლო „დაბალი“ და „საშუალო რისკის“ მონაცემების შემთხვევაში, მკაცრ რეკომენდაციას გასცემს, რომ გამოყენებულ იქნას მხოლოდ ის AI ინსტრუმენტები, რომლებსაც უნივერსიტეტთან ოფიციალური სალიცენზიო ხელშეკრულება აქვთ. 

ჰარვარდისა და MIT-ისგან განსხვავებით, სტენფორდში პოლიტიკა განსხვავდება პროგრამის საფეხურების მიხედვით. მაგალითად, ბაკალავრის პროგრამებზე ხელოვნური ინტელექტის გამოყენება აპრიორი დაუშვებელია, თუკი ლექტორი ექსპლიციტურად არ დაუშვებს მის გამოყენებას. თუმცა, მაგალითად, მაგისტრატურის ბიზნესის პროგრამაზე ლექტორებს არ აქვთ უფლება, სტუდენტებს აუკრძალონ AI-ის გამოყენება სახლში შესასრულებელ დავალებებზე ან გამოცდებზე, თუმცა ისინი ინარჩუნებენ კონტროლს აუდიტორიაში მიმდინარე შეფასებებზე.

პრინსტონის უნივერსიტეტი სტუდენტებისგან მოითხოვს ლექტორის ნებართვას ნებისმიერი დავალებისთვის AI-ის გამოყენებამდე, ასევე გამოყენების გამჟღავნებას. 

3.3 კონტინენტური ევროპა - სამართლიანობა, გამჭვირვალობა და GDPR-ი

კონტინენტური ევროპის წამყვანი უნივერსიტეტები (ETH Zurich, EPFL, მიუნხენის ტექნიკური უნივერსიტეტი (TUM), ამსტერდამის უნივერსიტეტი და TU Delft) თავიანთ AI-ის გზამკვლევ დოკუმენტებში ყურადღებას ამახვილებენ ისეთ ღირებულებებზე, როგორებიცაა პასუხისმგებლობა, სამართლიანობა, გამჭვირვალობა, ხოლო სამართლებრივ ჩარჩოს ევროკავშირის მონაცემთა დაცვის საერთო რეგულაცია (GDPR) წარმოადგენს. მაგალითად, ETH Zurich-ის გზამკვლევში კონფიდენციალურობისა და საავტორო უფლებების დაცვა „სამართლიანობის პრინციპის“ განმარტების ქვეშ ექცევა. ამასთან, ამასთან, უნივერსიტეტს აქვს სალიცენზიო ხელშეკრულებები რამდენიმე მსხვილ პროვაიდერთან (Microsoft Copilot, Google Gemini, NotebookLM) და სასწავლო პროცესში სტუდენტებს ამ დაცული, ლიცენზირებული ინსტრუმენტების გამოყენებას ურჩევს. ამ გზით, უნივერსიტეტი იცავს მომხმარებლების პერსონალურ მონაცემებს, რათა არ დაუშვას მათი გამოყენება მოდელების შემდგომი წვრთნისთვის. მსგავსად ETH Zurich-ისა, TU Delft-ის გზამკვლევში განსაკუთრებული ყურადღება მომხმარებლების პერსონალური მონაცემების დაცვას ეთმობა, რაც, კონფიდენციალურობის პოლიტიკის გარდა, ინტელექტუალური საკუთრების პრინციპის დაცვის ფარგლებშიც ხვდება.

3.4 კანადა - კონფიდენციალურობა პირველ ადგილზე და ყველაზე მკაცრი გამონაკლისი

კანადური უნივერსიტეტები (Toronto, McGill და UBC) გამოირჩევა იმით, რომ, ხელოვნური ინტელექტის სისტემების დანერგვამდე, აფასებს მათ შესაძლო გავლენას კონფიდენციალურობასა და პირადი მონაცემების დაცვაზე (PIA). ამის გარდა, კანადური უნივერსიტეტების მიდგომა ეფუძნება ეროვნულ საკანონმდებლო დოკუმენტებს (FIPPA და ფედერალური „FASTER“ პრინციპები).

მაკგილის უნივერსიტეტი (McGill) წინამდებარე ანგარიშში ყველაზე შემზღუდავ ინსტიტუციად გვევლინება: მისი გაიდლაინის მიხედვით, თუ ინსტრუმენტი ოფიციალურად არ არის განხილული და დამტკიცებული უნივერსიტეტის მიერ, აკრძალულია ნებისმიერი გენერაციული AI-ხელსაწყოს გამოყენება მაკგილის უნივერსიტეტთან დაკავშირებული მიზნებისთვის.

ტორონტოს უნივერსიტეტი, პირიქით, იყენებს უფრო სტანდარტულ, ნებადართულ მიდგომას უსაფრთხოების ბარიერებით, რომელთა გათვალისწინებითაც, რეკომენდებულ და დაცულ ინსტრუმენტად მიჩნეულია Microsoft Copilot-ის კორპორაციული ვერსია.

3.5 ავსტრალია - მთავრობის მიერ კოორდინირებული სისტემური რეფორმა

„ავსტრალია წარმოადგენს ყველაზე ცენტრალიზებულად კოორდინირებულ მოდელს. 2024 წლის ივნისში ეროვნულმა მარეგულირებელმა ორგანომ (TEQSA) ქვეყნის ყველა უმაღლეს საგანმანათლებლო დაწესებულებას მოსთხოვა ისეთი ინსტიტუციური სამოქმედო გეგმის წარდგენა, რომელიც მიმართული იქნებოდა გენერაციული AI-ის გავრცელების შედეგად აკადემიური კეთილსინდისიერებისთვის წარმოქმნილი რისკების შემცირებისა და მართვისკენ.

2025 წლისთვის TEQSA-ს მიდგომა შეიცვალა და AI-ის აღმოჩენიდან და კონტროლიდან უფრო გრძელვადიან სტრატეგიულ ხედვამდე მივიდა. მარეგულირებელი ორგანოს განმარტებით, ხელოვნური ინტელექტის განვითარებაზე სწორება უნივერსიტეტებს წამგებიან პოზიციაში აყენებს, ვინაიდან დროითი თვალსაზრისით, ინსტიტუტების პასუხი ყოველთვის რეაქციულია და არა - პროაქტიური. შესაბამისად, სააგენტომ შეიმუშავა რეფორმირების სამი ალტერნატიული მოდელი: (1) სწავლის შედეგების გადააზრება მთლიანი აკადემიური ხარისხის (ბაკალავრიატის/მაგისტრატურის) პროგრამის მასშტაბით (2) საგნის/მოდულის დონეზე მინიმუმ ერთი „დაცული“ შეფასების ამოცანის ჩადება, რომელშიც იგულისხმება გამოცდა ზედამხედველობის დროს, ზეპირი პრეზენტაცია, საკლასო დავალება და სხვა, ან (3) ამ ორი მიდგომის ჰიბრიდი.

ამის გარდა, საინტერესოა მონაშის უნივერსიტეტის გამოცდილებაც, რომელმაც შექმნა AI-ციტირების ფორმატების ერთიანი, კარგად სტრუქტურირებული გზამკვლევი (სხვადასხვა საციტირებო სტილების, APA, MLA, Harvard, მიხედვით), რომელსაც სხვა საერთაშორისო უნივერსიტეტებიც, მაგალითად Duke-ის უნივერსიტეტი აშშ-ში, დამატებით რესურსად ასახელებენ.

4. საერთო მახასიათებლები და მსგავსებები 

მიუხედავად განსხვავებული საწყისი წერტილებისა, თითქმის ყველა უნივერსიტეტის ჩარჩო დოკუმენტში რამდენიმე ძირითადი პრინციპი მეორდება: 

აკრძალვიდან მართვაზე გადასვლა: სრული აკრძალვები შეიცვალა პირობითი დაშვების მოდელებით, რადგან AI უკვე ინტეგრირებულია ისეთ ყოველდღიურ პროგრამებში, როგორებიცაა Word-ი, Excel-ი და Google Docs-ი, რაც აკრძალვას შეუძლებელს ხდის.

უფლებამოსილების დელეგირება კურსის/ლექტორის დონეზე: სტუდენტებს მკაფიოდ მოეთხოვებათ შეამოწმონ კონკრეტული სასწავლო კურსის პოლიტიკა.

AI-წიგნიერება, როგორც პირველადი მიზანი: პერსონალისა და სტუდენტების შესაძლებლობების განვითარება AI-ის კრიტიკულად გამოყენებისთვის პრიორიტეტულ მიმართულებად მიიჩნევა.

მითითების წესები: AI-ის გამოყენების შემთხვევაში უნივერსიტეტების უმრავლესობა მოითხოვს გამჭვირვალობას ან სპეციალურ ციტირებას.

სკეპტიციზმი AI-დეტექტორი პროგრამების მიმართ: აკადემიური წრეები თანხმდებიან, რომ დეტექტორები არასაიმედოა და ვერ იქნება დაცვის მექანიზმი.

შეფასების სისტემის გადააზრება: გრძელვადიანი გამოსავალია შეფასების ფორმატების შეცვლა (ზეპირი გამოცდები, ადგილზე შესასრულებელი დავალებები, პორტფოლიოები), ნაცვლად ძველი ფორმატების შენარჩუნებისა.

მონაცემთა კლასიფიკაცია: მკაცრი მითითება იმის შესახებ, რომ კონფიდენციალური, პერსონალური ან გამოუქვეყნებელი კვლევითი მონაცემები არ უნდა მოხვდეს უფასო AI-ინსტრუმენტების ბაზებში.

კორპორაციული (Enterprise) ლიცენზირება: უსაფრთხო და „დაცული“ ინსტრუმენტის უზრუნველყოფა (ხშირად Microsoft Copilot), რაც ერთდროულად წყვეტს პრობლემას როგორც მონაცემთა დაცვის, ისე სტუდენტთა თანასწორობის კუთხით.

მუდმივი განახლების აუცილებლობა: გზამკვლევებში უნივერსიტეტები ხაზგასმით აღნიშნავენ, რომ დოკუმენტები ექვემდებარება პერიოდულ გადახედვას - ტექნოლოგიების განვითარების შესაბამისად.

5. ძირითადი მიგნებები და რეკომენდაციები ქართული უნივერსიტეტებისთვის

დასავლეთის წამყვანი უნივერსიტეტების გამოცდილება იძლევა ერთგვარ ტრაექტორიას ქართულ უნივერსიტეტებში ხელოვნური ინტელექტის პასუხისმგებლიანი და ეთიკური დანერგვისთვის. დასავლური გამოცდილება რელევანტურია როგორც საქართველოს კონსტიტუციური და ისტორიული მისწრაფებების, ისე სხვა ობიექტური მდგენელების გათვალისწინებით, საერთაშორისო რეიტინგებით გაზომილი საუკეთესო პრაქტიკის გამოყენების კონტექსტში. 

დასავლური უნივერსიტეტები, ბოლო სამი წლის განმავლობაში, შეჯერდნენ რამდენიმე მნიშვნელოვან რეკომენდაციაზე, რომელთა გათვალისწინებაც შესაძლებელია ხელოვნური ინტელექტის სწორად ინტეგრირების პროცესში: 

• ხელოვნური ინტელექტის გამოყენების წახალისება

დასავლური უნივერსიტეტების მაგალითზე, ტოტალური აკრძალვები პრაქტიკაში არ მოქმედებს. ამის ნაცვლად, ხელოვნური ინტელექტის გამოყენება დასაშვებია მისი ეთიკური გამოყენების პირობით, თუმცა საბოლოოდ, კონკრეტულ სილაბუსთან მიმართებით არსებულ საკითხს ლექტორი წყვეტს. 

• შეფასების მეთოდოლოგიის ცვლილება და პერსონალის გადამზადება 

უნივერსიტეტები ერთხმად თანხმდებიან, რომ არ არსებობს ხელოვნური ინტელექტის ამომცნობი სანდო ხელსაწყო. შესაბამისად, მნიშვნელოვანია, რომ მიდგომა იყოს პროაქტიური და არა - რეაქციული. ამ მიზნით, რესურსები უნდა მიემართოს აკადემიური პერსონალის გადამზადებისკენ, შეფასების კრიტერიუმების ცვლილებებისკენ, კრიტიკული აზროვნებისა და უნარების განვითარებაზე ორიენტირებული სწავლებისკენ. 

• მონაცემთა დამუშავების მარტივი წესების შედგენა

საჭიროა შემუშავდეს მკაფიო გზამკვლევი, რომელიც განსაზღვრავს, რა ტიპის მონაცემების გამოყენებაა დაუშვებელი საჯარო, უფასო ხელოვნური ინტელექტის ხელსაწყოებში. ეს გზამკვლევი უნდა შეესაბამებოდეს საქართველოს მონაცემთა დაცვის კანონმდებლობას.

• საუნივერსიტეტო, დაცული ხელოვნური ინტელექტის ხელსაწყოს ლიცენზირება

ევროპული და კანადური მაგალითების მიხედვით, კორპორაციული შეთანხმების მიღწევა, მაგალითად, Microsoft Copilot პლატფორმაზე საუნივერსიტეტო ანგარიშების გამოყენებით, ერთდროულად უპასუხებს ორ ამოცანას: ხელმისაწვდომობის თანასწორობის უზრუნველყოფას, რათა პრემიუმვერსიის შეძენის შესაძლებლობა არ გადაიქცეს ცალკეული სტუდენტების აკადემიურ უპირატესობად და მონაცემთა დაცვას.

• ხელოვნური ინტელექტის წიგნიერების პრიორიტეტიზება

AI-წიგნიერება უნდა წარმოჩინდეს, როგორც კურსდამთავრებულის კონკურენტუნარიანობის წინაპირობა შრომის ბაზარზე.  

• პოლიტიკის დოკუმენტის პერიოდული გადახედვის მექანიზმი 

ნებისმიერ პოლიტიკის დოკუმენტში თავიდანვე უნდა იყოს გათვალისწინებული რეგულარული, მაგალითად, წლიური, გადახედვის ციკლი, რამდენადაც ტექნოლოგიური და სამართლებრივი გარემო ექვემდებარება მუდმივ და სწრაფ ცვლილებას.

სრული დოკუმენტი, შესაბამისი წყაროებით, ბმულებითა და განმარტებებით, იხ. მიმაგრებულ ფაილში.