В статье рассматривается использование генеративного искусственного интеллекта в преподавании политологических дисциплин как педагогический инструмент и как объект методологического анализа. Цель исследования – разработать и теоретико-эмпирически обосновать процедуру prompt-audit – анализа ответов генеративного искусственного интеллекта в политологическом образовании как средство выявления методологической асимметрии и формирования критической ИИ-грамотности студентов. Материал исследования составил корпус из 72 ответов, полученных по схеме: 8 политологических тем, 3 режима запроса и 3 повтора. Разработана система индексов, позволяющая оценивать западноцентричность, отечественную представленность, российскую контекстуализацию, критическую рефлексивность, библиографическую надежность и порядок предъявления научных авторитетов в первых смысловых позициях ответа. В нейтральном режиме зафиксировано 286 авторских и концептуальных упоминаний, в контекстуализированном – 331, в критико-методологическом – 368. Установлено, что нейтральный запрос воспроизводит выраженное преимущество западной рамки первичной видимости: индекс западноцентричности составил 0,738, а индекс первой рамки – 0,117. При переходе к критико-методологическому запросу коэффициент методологической сбалансированности возрастает с 0,299 до 0,799. Научная новизна состоит во введении понятия методологической асимметрии ИИ-ответа применительно к политологическому образованию, разработке процедуры prompt-audit и обосновании педагогической модели критической ИИ-грамотности. Показано, что работа с запросом должна рассматриваться не как технический навык, а как элемент методики обучения, позволяющий студенту анализировать происхождение, теоретическую рамку и ограничения машинного текста.
The article examines the use of generative artificial intelligence in teaching political science disciplines as a pedagogical tool and as an object of methodological analysis. The purpose of the study is to develop and theoretically and empirically substantiate a prompt-audit procedure for analysing generative AI responses in political science education as a means of identifying methodological asymmetry and forming students’ critical AI literacy. The research material consists of a corpus of 72 responses generated according to the design of 8 political science topics, 3 prompt modes and 3 repetitions. A system of indices is developed to assess Western-centricity, representation of national academic traditions, Russian contextualization, critical reflexivity, bibliographic reliability and the order in which scholarly authorities appear in the first semantic positions of a response. The neutral prompt mode produced 286 authorial and conceptual references, the contextualized mode produced 331, and the critical-methodological mode produced 368. The results show that neutral prompts reproduce a pronounced advantage of the Western frame of primary visibility: the Western-centricity index is 0.738 and the first-frame index is 0.117. The transition to the critical-methodological prompt mode increases the methodological balance coefficient from 0.299 to 0.799. The novelty of the study lies in introducing the concept of methodological asymmetry of an AI response in political science education, developing a prompt-audit procedure and substantiating a pedagogical model of critical AI literacy. It is shown that prompt work should be considered not as a purely technical skill but as an element of teaching methodology that enables students to analyse the origin, theoretical frame and limitations of machine-generated text.
1. Miao F., Holmes W. Guidance for generative AI in education and research. Paris: UNESCO, 2023. URL: https://unesdoc.unesco.org/ark:/48223/pf0000386693 (дата обращения: 20.05.2026).
2. Kasneci E., Seßler K., Küchemann S., Bannert M., Dementieva D., Fischer F., Gasser U., Groh G., Günnemann S., Hüllermeier E., Krusche S., Kutyniok G., Michaeli T., Nerdel C., Pfeffer J., Poquet O., Sailer M., Schmidt A., Seidel T., Stadler M., Weller J., Kuhn J., Kasneci G. ChatGPT for good? On opportunities and challenges of large language models for education // Learning and Individual Differences. 2023. Vol. 103. Is. 102274. P. 1–13. DOI: 10.1016/j.lindif.2023.102274.
3. Zawacki-Richter O., Marín V. I., Bond M., Gouverneur F. Systematic review of research on artificial intelligence applications in higher education – where are the educators? // International Journal of Educational Technology in Higher Education. 2019. Vol. 16. Art. 39. P. 1–27. DOI: 10.1186/s41239-019-0171-0.
4. Сысоев П. В. Искусственный интеллект в образовании: осведомленность, готовность и практика применения преподавателями высшей школы технологий искусственного интеллекта в профессиональной деятельности // Высшее образование в России. 2023. Т. 32. № 10. С. 9–33. DOI: 10.31992/0869-3617-2023-32-10-9-33.
5. Кузьминов Я. И., Кручинская Е. В., Груздев И. А., Наумов А. А. Отстающие и опережающие: как студенты используют генеративный искусственный интеллект в образовательных целях // Высшее образование в России. 2025. Т. 34. № 6. С. 9–35. DOI: 10.31992/0869-3617-2025-34-6-9-35.
6. Кошкина Е. А., Бордовская Н. В., Гнедых Д. С., Хромова М. А., Демьянчук Р. В., Исхакова М. П., Балышев П. А. Генеративный искусственный интеллект в высшем образовании: обзор теоретических подходов и практик применения // Высшее образование в России. 2025. Т. 34. № 6. С. 36–57. DOI: 10.31992/0869-3617-2025-34-6-36-57.
7. European Commission. Directorate-General for Education, Youth, Sport and Culture. Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators. Luxembourg: Publications Office of the European Union, 2022. URL: https://op.europa.eu/en/publication-detail/-/publication/d81a0d54-5348-11ed-92ed-01aa75ed71a1 (дата обращения: 20.05.2026).
8. Ng D. T. K., Leung J. K. L., Chu S. K. W., Qiao M. S. Conceptualizing AI literacy: An exploratory review // Computers and Education: Artificial Intelligence. 2021. Vol. 2. Article 100041. P. 1–11. DOI: 10.1016/j.caeai.2021.100041.
9. Walter Y. Embracing the future of Artificial Intelligence in the classroom: the relevance of AI literacy, prompt engineering, and critical thinking in modern education // International Journal of Educational Technology in Higher Education. 2024. Vol. 21. Art. 15. P. 1–29. DOI: 10.1186/s41239-024-00448-3.
10. Bender E. M., Gebru T., McMillan-Major A., Shmitchell S. On the dangers of stochastic parrots: Can language models be too big? // Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. New York: Association for Computing Machinery, 2021. P. 610–623. DOI: 10.1145/3442188.3445922.
11. Weidinger L., Uesato J., Rauh M., Griffin C., Huang P.-S., Mellor J., Glaese A., Cheng M., Balle B., Kasirzadeh A., Biles C., Brown S., Kenton Z., Hawkins W., Stepleton T., Birhane A., Hendricks L. A., Rimell L., Isaac W., Haas J., Legassick S., Irving G., Gabriel I. Taxonomy of risks posed by language models // Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency. New York: Association for Computing Machinery, 2022. P. 214–229. DOI: 10.1145/3531146.3533088.
12. Tao Y., Viberg O., Baker R. S., Kizilcec R. F. Cultural bias and cultural alignment of large language models // PNAS Nexus. 2024. Vol. 3. Is. 9. Art. 346. P. 1–12. DOI: 10.1093/pnasnexus/pgae346.
13. Krippendorff K. Content Analysis: An Introduction to Its Methodology. 4th ed. Thousand Oaks: SAGE Publications, 2018. 472 p. ISBN 978-1506395661.
14. Самаркина И. В., Кузьменко Н. П. Политическое образование современной молодежи: состояние, инструменты и проблемы // Социально-политические исследования. 2024. № 4 (25). С. 37–57. DOI: 10.20323/2658-428X-2024-4-25-37. EDN: VTFETZ.
15. Каневский П. С. Публичная политика: на острие подготовки нового поколения политических экспертов // Вестник Московского университета. Сер. 18. Социология и политология. 2024. Т. 30. № 4. С. 60–82. DOI: 10.24290/1029-3736-2024-30-4-60-82.
16. Dahl R. A. Democracy and Its Critics. New Haven: Yale University Press, 1989. 397 p. ISBN 978-0300049381.
17. Habermas J. The Structural Transformation of the Public Sphere: An Inquiry into a Category of Bourgeois Society. Cambridge: MIT Press, 1991. 301 p. ISBN 978-0262581080.
18. Lasswell H. D. The Policy Orientation // The Policy Sciences: Recent Developments in Scope and Method / ed. by D. Lerner, H. D. Lasswell. Stanford: Stanford University Press, 1951. P. 3–15.
19. Зарипов Н. А., Мясников А. И., Торгуд А. И., Кошкин А. В. Система политологического образования Российской Федерации в высшей школе: структурные особенности современного состояния // Вестник Пермского университета. Политология. 2026. Т. 20. № 1. С. 127–140. DOI: 10.17072/2218-1067-2026-1-127-140.
20. Мясоедова В. А. Основные параметры образовательной модели подготовки политологов // Современные проблемы науки и образования. 2015. № 2–2. URL: https://science-education.ru/ru/article/view?id=23119 (дата обращения: 08.06.2026).
21. Beaumont E., Colby A., Ehrlich T., Torney-Purta J. Promoting Political Competence and Engagement in College Students: An Empirical Study // Journal of Political Science Education. 2006. Vol. 2. Is. 3. P. 249–270. DOI: 10.1080/15512160600840467.
22. Ishiyama J., Breuning M., Lopez L. A Century of Continuity and Little Change in the Undergraduate Political Science Curriculum // American Political Science Review. 2006. Vol. 100. Is. 4. P. 659–665. DOI: 10.1017/S0003055406062551.
23. Ishiyama J., Miller W. J., Simon E. Handbook on Teaching and Learning in Political Science and International Relations. Cheltenham: Edward Elgar Publishing, 2015. 496 p. ISBN 978-1782548478.
24. Esaiasson P., Persson M. Does Studying Political Science Affect Civic Attitudes?: A Panel Comparison of Students of Politics, Law, and Mass Communication // Journal of Political Science Education. 2014. Vol. 10. Is. 4. P. 375–385. DOI: 10.1080/15512169.2014.948118.
25. Резаев А. В., Степанов А. М., Трегубова Н. Д. Высшее образование в эпоху искусственного интеллекта // Высшее образование в России. 2024. Т. 33. № 4. С. 49–62. DOI: 10.31992/0869-3617-2024-33-4-49-62. EDN: OLNRFA.