Адаптация опросника на основе моделей UTAUT/TAM для изучения факторов применения ИИ преподавателями российских вузов

Контекст и актуальность. Активное развитие технологий искусственного интеллекта (ИИ) и критические дискуссии о его потенциале и рисках приводят к переосмыслению роли преподавателей в высшем образовании. Исследования восприятия и применения ИИ преподавателями признаны важными, однако ощущается дефицит подобных работ, а также валидированных измерительных инструментов в российском контексте. Цель. Адаптировать и валидировать зарубежный опросник для изучения факторов применения технологий ИИ преподавателями российских вузов. Методы и материалы. В исследовании приняли участие 103 преподавателя из 26 российских вузов. Для валидизации применялись конфирматорный факторный анализ (CFA) для проверки 6-факторной структуры («Осведомленность», «Риски», «Трудности», «Условия», «Отношение», «Применение»), оценка надежности (α Кронбаха и ω Макдональда) и регрессионный анализ для выявления предикторов. Результаты. Применение конфирматорного факторного анализа (CFA) подтвердило устойчивую 6-факторную структуру инструмента с высокими показателями надежности (α Кронбаха = 0,85-0,86) и валидности (CFI = 0,932; RMSEA = 0,068), что соответствует международным стандартам психометрического тестирования. Регрессионный анализ выявил ключевые детерминанты применения ИИ преподавателями вузов: способствующие условия (β = 0,39; p < 0,001), отношение преподавателей (β = 0,29; p < 0,01) и восприятие рисков (β = –0,29; p < 0,001). Заключение. Для адаптированного опросника приведены свидетельства валидности и надежности как инструмента для диагностики факторов использования ИИ в российской высшей школе. Результаты проведенного исследования позволяют говорить о том, что для интеграции ИИ в педагогическую практику критически важны не только информированность преподавателей, но, в первую очередь, создание благоприятных организационных условий и формирование позитивного отношения при одновременном снижении восприятия рисков.

Введение

Технологии искусственного интеллекта (ИИ) оказывают глобальное трансформирующее влияние на социальные и экономические структуры (Howard, 2019), включая сферу образования. Критические дискуссии о перспективах и рисках ИИ приводят к переосмыслению функций университетов, педагогических моделей и роли преподавателя (Popenici, Kerr, 2017). С одной стороны, ИИ способствует персонализации обучения, оптимизации административных задач и улучшению образовательных результатов (Kazimova et al., 2025; Onesi-Ozigagun et al., 2024), повышает доступность и эффективность образования за счет адаптивного контента и автоматизации (Begum, 2024; Crompton, Song, 2021; Singh, Hiran, 2022). С другой стороны, интеграция ИИ сопряжена с рисками, касающимися конфиденциальности данных, алгоритмической предвзятости (Harry, 2023; Kazimova et al., 2025), академической честности, а также изменения роли преподавателя от лектора к наставнику (Bobula, 2024; Лукичев, Чекмарев, 2023; Cabero-Almenara et al., 2024).

В России развитие ИИ-повестки в высшем образовании проявляется в запуске профильных образовательных программ (Рябко, Гуртов, Сепусь, 2022), формировании нормативной базы и программ повышения квалификации преподавателей (Елсакова, Маркусь, 2024). Однако направление исследований, посвященных непосредственно факторам использования ИИ преподавателями вузов, только начинает развиваться, при этом мало известно о том, какие инструменты можно использовать на российской выборке для измерения этих конструктов. Одними из крупных исследований являются работа Сысоева (Сысоев, 2023) об осведомленности преподавателей вузов о потенциале применения ИИ и их готовности применять ИИ на практике; результаты глубинных интервью и онлайн-опроса, реализованных СберУниверситетом и GeekBrains (Управление изменениями в образовании…, 2023).

Цель данного исследования – адаптация и валидизация опросника для изучения факторов использования технологий ИИ преподавателями высшей школы. Нашим исследованием мы развиваем данную область знаний и одновременно продолжаем линию работ, посвященных использованию ИИ в преподавании и обучении (Резаев, Трегубова, 2023).
В зарубежных исследованиях для изучения принятия и использования ИИ разработан ряд опросников. Среди них – анкеты, основанные на Единой теории принятия и использования технологий (Unified Theory of Acceptance and Use of Technology, UTAUT / UTAUT2) (Bayaga, 2025; Venkatesh et al., 2012), опросник ИИ-грамотности (Lérias, Guerra, Ferreira, 2024), а также инструменты, созданные на основе Модели принятия технологий (Technology Acceptance Model, TAM) (Wang et al., 2025). Представлен ряд исследований, в которых валидируются опросные шкалы для оценки восприятия и готовности преподавателей внедрять ИИ в обучение: многомерная шкала для измерения отношения учителей к ИИ в образовании (Galindo-Domínguez et al., 2024), основывающаяся на предположении о четырех компонентах отношения, среди которых готовность использовать ИИ, общее отношение к ИИ, профессиональные ожидания от ИИ и личный опыт работы с ИИ. Шкала принятия ИИ учителями (Teachers’ Acceptance of AI, TAAI) включает классические компоненты: воспринимаемая полезность ИИ, воспринимаемая легкость использования, поведенческое намерение применять ИИ, самоэффективность в использовании ИИ и тревожность по отношению к ИИ (Guo, Shi, Zhai, 2024). Шкала готовности к применению ИИ (Readiness for Artificial Intelligence Applications Scale, RAIS) оценивает, насколько преподаватели готовы к использованию ИИ (Ramazanoglu, Akın, 2025), и включает три фактора: технологическую самоэффективность учителя в контексте ИИ, готовность применять ИИ, этическую осведомленность.
Благодаря своей расширенной структуре и учету различных аспектов применения ИИ преподавателями вузов наше внимание привлек инструмент, основанный на моделях UTAUT и TAM, который был апробирован в контекстах арабских государств Персидского залива и Индии (Rahiman, Kodikal, 2024). Этот опросник имел подтвержденную факторную структуру, а также достаточно надежные шкалы: альфа Кронбаха варьировалась от 0,71 до 0,87. Обладая подтвержденной факторной структурой и надежностью, он подходит к кросс-культурной адаптации и проверке психометрических свойств в российском образовательном контексте. Поэтому далее мы представим оригинальный инструмент, процедуру его перевода, сбора данных и статистического анализа.

Материалы и методы

Структура оригинальной версии опросника. В оригинальном исследовании использовалась адаптированная анкета для оценки факторов внедрения ИИ преподавателями вузов. Анкета включала 47 вопросов, разделенных на 10 ключевых конструктов, измеряемых по 5-балльной шкале Ликерта (от «Полностью не согласен» до «Полностью согласен»). В табл. 1 приведены основные характеристики исследуемых конструктов.

Таблица 1 / Table 1

Основные характеристики конструктов оригинальной статьи

Main constructs of the original article

В исследовании для оценки психометрических свойств инструментария был применен метод моделирования структурными уравнениями в частичных наименьших квадратах (PLS-SEM). Анализ конвергентной валидности показал, что значения средней извлеченной дисперсии (AVE) для всех конструктов превышают установленный порог 0,5, что свидетельствует о достаточной конвергентной валидности измерительной модели (Olapade et al., 2023). Дискриминантная валидность оценивалась с использованием критерия Форнелла-Ларкера: квадратные корни значений AVE для каждого латентного конструкта превышали корреляции данного конструкта с остальными переменными модели, что соответствует общепринятым стандартам (Roemer et al., 2021).

Методология исследования и процедура адаптации. Адаптация методики проводилась согласно стандартному методу адаптации зарубежных опросников (Epstein et al., 2015). Ключевые этапы перевода состояли в предпереводческом анализе оригинала, выполнении перевода с английского языка на русский. Перевод опросника был выполнен сотрудниками кафедры теории и практики перевода Тольяттинского государственного университета. Реконсилиация итогового варианта перевода проводилась авторами совместно в несколько итераций.

Предапробация полученной версии опросника была проведена в формате когнитивных лабораторий. В исследовании приняли участие 3 преподавателя из разных университетов России: МГУ имени М.В. Ломоносова, НИУ ВШЭ и УУНиТ. Так как некоторые формулировки утверждений вызывали затруднения у испытуемых: в ходе когнитивных интервью и пилотного тестирования часть утверждений была признана участниками неоднозначной и сложной для интерпретации, а ряд пунктов, релевантных в оригинальном контексте, требовал существенной модификации для применения в российской образовательной среде – были внесены изменения в текст опросника с сохранением близости к оригиналу. В итоговую версию вошли 6 из 10 исходных шкал с добавлением авторских утверждений (см. Приложение А, табл. А1). Для эмпирической проверки адаптированного инструмента было проведено анкетирование, участники которого описаны ниже.

Участники исследования. Выборку исследования составили 103 респондента из 26 университетов России: УлГПУ им. И.Н. Ульянова (23%), Тольяттинский государственный университет (11%), ПИУ имени П.А. Столыпина (9%), НИУ ВШЭ (7%), ДИТИ НИЯУ МИФИ (6%), МГУ имени М.В. Ломоносова (5%) и ряд других университетов.

Для рекрутинга применялся метод «снежного кома» – направление личного запроса представителям университетов, а также личные связи на добровольной и безвозмездной основе. Опрос был представлен на платформе Microsoft Forms. Участникам исследования предлагалось ответить на вопросы социально-демографического профиля, после чего – перейти к утверждениям инструмента. Возраст участников исследования – от 18 до 56 лет, с преобладанием респондентов старше 45 лет (43%). Среди ответивших – 64% женщин и 36% мужчин. Распределение респондентов по занимаемым должностям выглядит следующим образом: доцент – 49%; профессор – 16%; ассистент – 11%; старший преподаватель / преподаватель – 15%; стажер / лаборант – 6%; заведующий кафедрой / лабораторией – 5%.

Методы анализа. Психометрические характеристики. Соответствие теоретической и наблюдаемой модели опросника проверялось с помощью конфирматорного факторного анализа (КФА). В адаптированной методике применялась шкала Ликерта с пятью категориями ответов. Поскольку распределение ответов отклонялось от нормального, при проведении КФА был использован метод максимального правдоподобия с устойчивыми стандартными ошибками и поправкой Satorra-Bentler (MLM – Maximum Likelihood Mean-adjusted).

Качество модели оценивалось с использованием нескольких показателей: надежный сравнительный индекс согласия (Robust Comparative Fit Index, CFI) – около 0,9 и выше; надежный индекс Таккера-Льюиса (Robust Tucker-Lewis Index, TLI) – также около 0,9 и выше; надежная среднеквадратичная ошибка аппроксимации (Robust Root Mean Square Error of Approximation, Robust RMSEA) – около 0,08 или ниже; стандартизированный корень среднеквадратичного остатка (Standardized Root Mean Square Residual, SRMR) – около 0,1 или ниже (Hu, Bentler, 1999). Также при отборе утверждений использовались два критерия исключения: (1) стандартизированная факторная нагрузка ниже 0,3 и (2) наличие локальной зависимости между утверждениями.

Надежность опросника оценивалась с помощью двух коэффициентов: альфы Кронбаха (Venkatesh et al., 2012) и иерархической омеги Макдональда (McDonald, 1999). Достаточным уровнем надежности считалось значение не ниже 0,7, а высоким уровнем – выше 0,8 (Evers et al., 2013). Для проверки функционирования ответной шкалы были рассчитаны средние значения, стандартные отклонения и доля ответов по каждой ответной категории.

Факторы использования ИИ. Для исследования факторов, которые связаны с применением преподавателями ИИ в университете, использовалась линейная регрессия. В качестве зависимой переменной использовалась шкала «Применение», а в качестве независимых переменных – другие шкалы опросника. Также в модель были добавлены контрольные переменные пола и возраста респондентов.

Анализ проводился с использованием программного обеспечения RStudio и пакета «lavaan» (Rosseel, 2012).

Результаты

Психометрические характеристики. На первом этапе оценки психометрических характеристик инструмента был проведен КФА с целью изучения факторной структуры опросника. Базовая модель отражала теоретическую структуру, однако показатели согласия оказались неудовлетворительными (табл. 2).

Таблица 2 / Table 2

Статистики согласия

Model fit statistics

С целью повышения качества модели из шкалы «Риски» было удалено утверждение «Я считаю, что образовательный контент, созданный с помощью ИИ, не всегда корректен и требует тщательной проверки», поскольку его факторная нагрузка была ниже 0,3.

В шкале «Трудности» два утверждения – «Мне будет просто освоить технологии ИИ в различных сферах, если я буду знать принципы его работы» и «Я смогу легко применять технологии искусственного интеллекта» – продемонстрировали локальную зависимость, обусловленную их обратной направленностью. В связи с этим оба утверждения были исключены из модели.

Для обеспечения идентифицируемости модели факторные нагрузки двух оставшихся утверждений в шкале «Трудности» были зафиксированы как равные. Проведенные модификации позволили улучшить соответствие модели эмпирическим данным: показатели согласия итоговой модели достигли удовлетворительного уровня (табл. 2).

Итоговая модель опросника и стандартизированные факторные нагрузки представлены на рисунке, корреляция факторов представлена в табл. 3. Все свободно оцениваемые факторные нагрузки оказались значимы на уровне < 0,001 и достаточно высоки (мин. = 0,66; макс. = 0,90). Корреляции факторов были ожидаемыми, «Риски» и «Трудности» отрицательно связаны с остальными шкалами, а оценка рисков связана с трудностями освоения и условиями для применения ИИ. Таким образом, по результатам КФА можно заключить, что факторная структура опросника была подтверждена.

Таблица 3 / Table 3

Корреляции факторов опросника

Questionnaire factor correlations

Примечание: уровни значимости: *** – p < 0,001; ** – p < 0,01; * – p < 0,05.

Note: significance level: *** – p < 0,001; ** – p < 0,01; * – p < 0,05.

Надежность шкал варьировалась от 0,80 до 0,89 как для альфы Кронбаха, так и для омеги Макдональда (табл. 4), что говорит о высоком уровне надежности шкал опросника.

Таблица 4 / Table 4

Надежность шкал опросника

Questionnaire scale reliability

Для анализа функционирования ответной шкалы были рассчитаны ее основные статистики. Среднее значение по всем утверждениям составило 3,31 балла, стандартное отклонение – 1,10, что указывает на умеренную склонность респондентов соглашаться с утверждениями и при этом на достаточную вариативность ответов. Причем респонденты использовали полный диапазон категорий шкалы (табл. 5). Наибольшую популярность приобрели три центральные категории, чаще всего выбиралась категория «Согласен». Несмотря на небольшое смещение распределения в сторону согласия, можно заключить, что шкала функционирует удовлетворительно.

Таблица 5 / Table 5

Статистики ответной шкалы, %

Response scale statistics, %

Факторы использования ИИ. Результаты регрессионного анализа показали, что предложенная модель объясняет 69% дисперсии в использовании ИИ в высшем образовании (F(91) = 22,04; p < 0,001; R² = 0,69; табл. 6). Значимыми предикторами выступили три фактора. Оценка рисков использования ИИ показала отрицательную связь (β = –0,29; p < 0,001), тогда как позитивное отношение к ИИ (β = 0,29; p < 0,009) и наличие условий для его применения (β = 0,39; p < 0,001) положительно коррелировали с уровнем применения ИИ. Наибольший вклад в модель вносил фактор условий. Таким образом, полученные результаты свидетельствуют о важности как индивидуальных установок, так и внешних условий для использования технологий ИИ в высшем образовании.

Таблица 6 / Table 6

Регрессионная модель предикторов внедрения искусственного интеллекта в образовательную практику (стандартизированные коэффициенты β)

Regression model of predictors for implementing artificial intelligence in educational practice (standardized β coefficients)

Примечание: уровни значимости: *** – p < 0,001; ** – p < 0,01; * – p < 0,05.

Note: significance level: *** – p < 0,001; ** – p < 0,01; * – p < 0,05.

Обсуждение результатов

Целью приведенного исследования была адаптация зарубежного опросника о факторах применения ИИ преподавателями высшей школы (Rahiman, Kodikal, 2024) для русского языкового и культурного контекста. Полученные результаты позволили не только подтвердить психометрическую состоятельность инструмента, но и интерпретировать специфику восприятия ИИ российскими преподавателями в сравнении с данными зарубежных исследований.

В русскоязычной версии опросника нами было сокращено количество включенных шкал (с 10 до 6) и утверждений (с 45 до 20) по сравнению с оригинальной версией опросника, два утверждения были удалены в ходе анализа. В результате конфирматорного анализа сформированы 6 факторов: «Осведомленность», «Воспринимаемые риски», «Способствующие условия», «Отношение», «Поведение» и «Трудности». Вариативность ответов респондентов и умеренная склонность соглашаться с утверждениями демонстрируют, что пока складывается неоднозначное восприятие ИИ преподавателями вузов, что может быть объяснено относительно недавним внедрением ИИ в высшем образовании в России (Елсакова, Маркусь, 2024). Данный вывод согласуется с результатами более раннего исследования Сысоева (Сысоев, 2023), где ответы преподавателей вузов по шкале Ликерта были так же вариативны. По шкале осведомленности примерно в равной степени наблюдаются склонность к согласию и несогласию с утверждениями, при этом преподаватели в большей степени признают риски, чем видят благоприятные условия в образовательной среде вуза для применения ИИ-инструментов.

Результаты регрессионного анализа, выявившие положительную связь применения ИИ с отношением и условиями, а отрицательную – с восприятием рисков, в целом согласуются с логикой оригинальной модели (Rahiman, Kodikal, 2024) и подтверждаются другими международными исследованиями (Bayaga, 2025). Найденная отрицательная связь применения ИИ и восприятия рисков преподавателями, несмотря на то, что вполне ожидаема, в результате поднимает вопросы о наличии и отсутствии достаточного нормативного регулирования применения ИИ в образовательной деятельности вузов и может быть связана с постоянным развитием ИИ-сферы.

В отличие от некоторых зарубежных выборок, где осведомленность часто выступает ключевым драйвером использования технологий, в нашем исследовании фактор «Осведомленность» не показал статистически значимой связи с практикой применения ИИ. Это позволяет сделать вывод, что в условиях российских вузов знания об ИИ-инструментах являются необходимым, но недостаточным условием для их интеграции в педагогическую практику. Наиболее сильным предиктором фактического использования ИИ в нашем исследовании оказались «Способствующие условия» – наличие ресурсов, инфраструктуры и поддержки со стороны университета. Этот вывод подчеркивает ведущее значение организационного контекста над индивидуальными факторами в российской высшей школе на текущем этапе цифровой трансформации. Таким образом, барьером для внедрения выступает не столько дефицит знаний или негативное отношение (которое, напротив, в целом позитивно), сколько отсутствие сформированной системы поддержки инноваций на институциональном уровне.

Заключение

Представленное исследование позволило адаптировать и валидировать опросник для изучения факторов применения ИИ преподавателями российских вузов. Адаптированный инструмент демонстрирует хорошие психометрические свойства и может быть использован в дальнейших исследованиях для мониторинга динамики принятия ИИ-технологий в академической среде. Основной эмпирический вывод нашей работы заключается в том, что решающую роль в интеграции ИИ в образовательный процесс российских вузов играют не индивидуальная осведомленность преподавателей, а внешние, организационные условия, а также формируемое позитивное отношение к технологиям при одновременном снижении воспринимаемых рисков. Этот результат смещает фокус внимания с задач индивидуального обучения преподавателей в сторону необходимости системных изменений на уровне образовательных организаций.

Полученные результаты имеют практическую значимость для развития высшего образования. Они подчеркивают необходимость:

1. Разработки целевых программ повышения квалификации, ориентированных не только на технические аспекты работы с ИИ, но и на формирование позитивного ценностного отношения.
2. Создания комплексной системы организационной поддержки преподавателей, включающей техническую инфраструктуру, методическое сопровождение и стимулирование инноваций.
3. Развития нормативной базы, регулирующей использование ИИ в образовательном процессе, что может способствовать снижению восприятия рисков.

Наши выводы подчеркивают важность программ повышения квалификации по данной теме, мер стимулирования и поддержки преподавателей для использования ИИ администрацией вузов, изучения установок преподавателей и внедрения программ по их коррекции. Для успешной интеграции ИИ в образовательный процесс усилий только преподавателей недостаточно – ключевую роль играет создание вузами благоприятных организационных и инфраструктурных условий.

Перспективы дальнейших исследований видятся в применении адаптированного опросника на более репрезентативных выборках, а также в проведении лонгитюдных исследований для анализа динамики факторов использования ИИ в российском высшем образовании.

Ограничения. Настоящее исследование, несмотря на свою значимость, имеет ряд методологических ограничений, которые необходимо учитывать при интерпретации полученных результатов. Во-первых, объем выборки (N = 103) является относительно небольшим для комплексного психометрического анализа. Хотя его хватило для первичной адаптации, для генерализации результатов на всю популяцию российских преподавателей требуется расширение выборки. Во-вторых, в выборке недостаточно представлены различные типы вузов (преобладают региональные университеты), что ограничивает экстраполяцию результатов. В-третьих, метод сбора данных («снежный ком») мог привести к смещению в сторону более мотивированных преподавателей. При планировании будущих исследований для повышения валидности рекомендуется расширить выборку, обеспечив репрезентативность по типам вузов и регионам, а также дополнить анкетирование качественными методами (интервью, фокус-группы).

Limitations. Despite its significance, the present study has several methodological limitations that should be considered when interpreting the results. First, the sample size (N = 103) is relatively small for a comprehensive psychometric analysis. While sufficient for the initial adaptation of the questionnaire, a larger sample is required to generalize the findings to the broader population of Russian university teachers. Second, the sample is not fully representative of different types of universities (regional universities are overrepresented), which limits the extrapolation of the results. Third, the data collection method (“snowball sampling”) may have introduced a self-selection bias towards more motivated teachers. To enhance the validity of future research, it is recommended to increase the sample size, ensuring representativeness across university types and regions, and to supplement the survey with qualitative methods (e.g., interviews, focus groups).

1. Елсакова, Р.З., Маркусь, А.М. (2024). Повышение квалификации преподавателей вуза в области искусственного интеллекта: современное состояние. Высшее образование в России, 33(11), 73—94. https://doi.org/10.31992/0869-3617-2024-33-11-73-94
   Elsakova, R.Z., Markus, A.M. (2024). Professional development of university teachers in artificial intelligence: current state. Higher Education in Russia, 33(11), 73—94. (In Russ.). https://doi.org/10.31992/0869-3617-2024-33-11-73-94
2. Лукичев, П.М., Чекмарев, О.П. (2023). Применение искусственного интеллекта в системе высшего образования. Вопросы инновационной экономики, 13(1), 485—502. https://doi.org/10.18334/vinec.13.1.117223
   Lukichev, P.M., Chekmarev, O.P. (2023). Application of artificial intelligence in higher education system. Russian Journal of Innovation Economics, 13(1), 485—502. (In Russ.). https://doi.org/10.18334/vinec.13.1.117223
3. Резаев, А.В., Трегубова, Н.Д. (2023). ChatGPT и искусственный интеллект в университетах: какое будущее нам ожидать? Высшее образование в России, 32(6), 19—37. https://doi.org/10.31992/0869-3617-2023-32-6-19-37
   Rezaev, A.V., Tregubova, N.D. (2023). ChatGPT and artificial intelligence in universities: what future can we expect? Higher Education in Russia, 32(6), 19—37. (In Russ.). https://doi.org/10.31992/0869-3617-2023-32-6-19-37
4. Рябко, Т.В., Гуртов, В.А., Степусь, И.С. (2022). Анализ показателей подготовки кадров для сферы искусственного интеллекта по результатам мониторинга вузов. Высшее образование в России, 31(7), 9—24. https://doi.org/10.31992/0869-3617-2022-31-7-9-24
   Ryabko, T.V., Gurtov, V.A., Stepus, I.S. (2022). Analysis of indicators for training personnel in artificial intelligence based on university monitoring results. Higher Education in Russia, 31(7), 9—24. (In Russ.). https://doi.org/10.31992/0869-3617-2022-31-7-9-24
5. Сысоев, П.В. (2023). Искусственный интеллект в образовании: осведомленность, готовность и практика применения преподавателями высшей школы. Высшее образование в России, 32(10), 9—33. https://doi.org/10.31992/0869-3617-2023-32-10-9-33
   Sysoev, P.V. (2023). Artificial intelligence in education: awareness, readiness and practice of use by higher school teachers. Higher Education in Russia, 32(10), 9—33. (In Russ.). https://doi.org/10.31992/0869-3617-2023-32-10-9-33
6. Управление изменениями в образовании: генеративный ИИ, СБЕР, GeekBrains. (2023). ai.gov.ru. URL: https://ai.gov.ru/knowledgebase/obrazovanie-i-kadry-ii/2023_upravlenie_izmeneniyami_v_obrazovanii_generativnyy_ii_sber_geekbrains/ (дата обращения: 15.05.2025).
   Upravlenie izmeneniyami v obrazovanii: generativnyy II, SBER, GeekBrains. (2023). ai.gov.ru. (In Russ.). URL: https://ai.gov.ru/knowledgebase/obrazovanie-i-kadry-ii/2023_upravlenie_izmeneniyami_v_obrazovanii_generativnyy_ii_sber_geekbrains/ (viewed: 15.05.2025).
7. Bayaga, A. (2025). Leveraging AI-enhanced and emerging technologies for pedagogical innovations in higher education. Education and Information Technologies, 30(1), 1045—1072. https://doi.org/10.1007/s10639-024-13122-y
8. Begum, I. (2024). Role of artificial intelligence in higher education - an empirical investigation. International Research Journal on Advanced Engineering and Management (IRJAEM), 2(3), 49—53. https://doi.org/10.47392/IRJAEM.2024.0009
9. Bobula, M. (2024). Generative artificial intelligence (AI) in higher education: A comprehensive review of challenges, opportunities, and implications. Journal of Learning Development in Higher Education, 30. https://doi.org/10.47408/jldhe.vi30.1137
10. Cabero-Almenara, J., Palacios-Rodríguez, A., Loaiza-Aguirre, M.I., Andrade-Abarca, P.S. (2024). The impact of pedagogical beliefs on the adoption of generative AI in higher education: predictive model from UTAUT2. Frontiers in Artificial Intelligence, 7. https://doi.org/10.3389/frai.2024.1497705
11. Crompton, H., Song, D. (2021). The potential of artificial intelligence in higher education. Revista Virtual Universidad Católica del Norte, 62. https://doi.org/10.35575/rvucn.n62a1
12. Epstein, J., Santo, R.M., Guillemin, F. (2015). A review of guidelines for cross-cultural adaptation of questionnaires could not bring out a consensus. Journal of Clinical Epidemiology, 68(4), 435—441. https://doi.org/10.1016/j.jclinepi.2014.11.021
13. Ertel, W. (2024). Introduction to artificial intelligence. Cham: Springer Nature. https://doi.org/10.1007/978-3-658-43102-0
14. Evers, A., Hagemeister, C., Høstmælingen, A., Lindley, P., Muñiz, J., Sjöberg, A. (2013). EFPA Review Model for the Description and Evaluation of Psychological and Educational Tests. Test Review Form and Notes for Reviewers. Version 4.2.6. Brussels: EFPA. URL: https://ipbpartners.eu/wp-content/uploads/2021/09/4.-DISC-EFPA_TestReviewModel2020_Report.pdf (viewed: 28.05.2025).
15. Galindo-Domínguez, H., de la Maza, M.S., Campo, L., Iglesias, D.L. (2025). Design and validation of a multidimensional scale for assessing teachers' perceptions toward artificial intelligence in education. International Journal of Learning Technology, 20(3), 294—315. https://doi.org/10.1504/IJLT.2025.149272
16. Guo, S., Shi, L., Zhai, X. (2025). Developing and validating an instrument for teachers’ acceptance of artificial intelligence in education. Education and Information Technologies, 30(10), 13439—13461. https://doi.org/10.1007/s10639-025-13338-6
17. Harry, A. (2023). Role of AI in Education. Interdisciplinary Journal & Humanity (INJURITY), 2(3). https://doi.org/10.58631/injurity.v2i3.52
18. Howard, J. (2019). Artificial intelligence: Implications for the future of work. American Journal of Industrial Medicine, 62(11), 917—926. https://doi.org/10.1002/ajim.23037
19. Hu, L., Bentler, P.M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1—55. https://doi.org/10.1080/10705519909540118
20. Kazimova, D., Tazhigulova, G., Shraimanova, G., Zatyneyko, A., Sharzadin, A. (2025). Transforming University Education with AI: A Systematic Review of Technologies, Applications, and Implications. International Journal of Engineering Pedagogy, 15(1). https://doi.org/10.3991/ijep.v15i1.50773
21. Lérias, E., Guerra, C., Ferreira, P. (2024). Literacy in Artificial Intelligence as a Challenge for Teaching in Higher Education: A Case Study at Portalegre Polytechnic University. Information, 15(4), 205. https://doi.org/10.3390/info15040205
22. McDonald, R.P. (1999). Test theory: A unified treatment. New York: Psychology Press. https://doi.org/10.4324/9781410601087
23. Olapade, D.T., Aluko, T.B., Adisa, A.L., Abobarin, A.A. (2023). A framework for assessment of customary land delivery institutions: Instrument development, content validity and reliability testing. Property Management, 41(5), 729—752. https://doi.org/10.1108/PM-06-2022-0041
24. Onesi-Ozigagun, O., Ololade, Y.J., Eyo-Udo, N.L., Ogundipe, D.O. (2024). Revolutionizing education through AI: A comprehensive review of enhancing learning experiences. International Journal of Applied Research in Social Sciences, 6(4), 589—607. https://doi.org/10.51594/ijarss.v6i4.1011
25. Popenici, S.A., Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(1), 22. https://doi.org/10.1186/s41039-017-0062-8
26. Rahiman, H.U., Kodikal, R. (2024). Revolutionizing education: Artificial intelligence empowered learning in higher education. Cogent Education, 11(1), 1—24. https://doi.org/10.1080/2331186X.2023.2293431
27. Ramazanoglu, M., Akın, T. (2025). AI readiness scale for teachers: Development and validation. Education and Information Technologies, 30(6), 6869—6897. https://doi.org/10.1007/s10639-024-13087-y
28. Rich, E.A. (1983). Artificial Intelligence. New York: McGraw-Hill.
29. Roemer, E., Schuberth, F., Henseler, J. (2021). HTMT2 – an improved criterion for assessing discriminant validity in structural equation modeling. Industrial Management & Data Systems, 121(12), 2637—2650. https://doi.org/10.1108/IMDS-02-2021-0082
30. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48, 1—36. https://doi.org/10.18637/jss.v048.i02
31. Singh, S.V., Hiran, K.K. (2022). The impact of AI on teaching and learning in higher education technology. Journal of Higher Education Theory & Practice, 22(13). https://doi.org/10.33423/jhetp.v22i13.5514
32. Slimi, Z., Carballido, B.V. (2023). Navigating the Ethical Challenges of Artificial Intelligence in Higher Education: An Analysis of Seven Global AI Ethics Policies. TEM Journal, 12(2). https://doi.org/10.18421/TEM122-02
33. Tavakol, M., Dennick, R. (2011). Making sense of Cronbach's alpha. International Journal of Medical Education, 2, 53—55. https://doi.org/10.5116/ijme.4dfb.8dfd
34. Venkatesh, V., Thong, J.Y.L., Xu, X. (2016). Unified Theory of Acceptance and Use of Technology: A Synthesis and the Road Ahead. Journal of the Association for Information Systems, 17(5), 328—376. https://doi.org/10.17705/1jais.00428
35. Wang, Z., Wang, Y., Zeng, Y., Su, J., Li, Z. (2025). An investigation into the acceptance of intelligent care systems: an extended technology acceptance model (TAM). Scientific Reports, 15(1), 17912. https://doi.org/10.1038/s41598-025-02746-w