ENGLISH (scroll down for Bulgarian text)

Many of us are still working out how to position AI in our courses. Do we restrict it, allow it, redesign around it, or try a mix of approaches? A large longitudinal study of more than 31,000 syllabi from 2021 to 2025 offers a useful perspective. Over time, more than half of courses introduced explicit AI policies, and many instructors moved away from blanket bans toward more differentiated guidance.

One consistent pattern deserves attention. Courses with substantial writing and coding requirements were more likely to define clear AI rules. Instructors often chose to protect drafting, argumentation, and reasoning tasks, while permitting AI for editing, proofreading, study support, and sometimes technical coding assistance. Only a small proportion of courses went further and introduced AI-specific tasks such as structured prompting or systematic verification of AI outputs.

For colleagues at the University of Economics, this pattern feels familiar. Our students write analytical reports, policy briefs, and research papers. They build models, interpret data, and justify managerial decisions. These activities form the core of disciplinary competence. When AI becomes part of these processes, the key question is how its use shapes student thinking and skill development.

One practical approach is to regulate AI at the level of tasks rather than tools. Instead of a general statement that AI is allowed or prohibited, you can clarify expectations for each stage of an assignment. You might require independent idea generation, allow AI for language editing, and request disclosure if students use AI for coding support or data exploration. This keeps the focus on learning goals.

Transparency can also strengthen trust. When students briefly explain how they used AI and what they verified themselves, you gain insight into their process. At the same time, students practice responsibility and critical evaluation.

You may also want to protect certain moments of independent reasoning. Short in-class analyses, oral defenses, or staged submissions make student thinking visible. These formats align well with economics and management, where argumentation and justification matter.

Finally, consider making verification an explicit expectation. If students use AI to summarize a report or suggest an analytical approach, ask them to check sources, test assumptions, and explain limitations. In professional contexts, graduates will need to evaluate outputs, not simply produce them.

The overall message from the study is straightforward. Faculty who move from broad prohibitions to task-level clarity tend to create more coherent expectations. When AI guidance aligns with the specific skills we aim to develop, we support both academic standards and thoughtful innovation in our teaching.

Source: 

Chirikov, Igor. 2026. “How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi.” Higher Education Working Paper Series 26(1). https://escholarship.org/uc/item/9c51s3gs.

---

BULGARIAN

Много от нас все още търсят най-подходящия начин да позиционират ИИ в своите курсове. Дали да го ограничим, да го разрешим, да преработим заданията с него, или да приложим комбиниран подход? Едно мащабно надлъжно изследване на над 31 000 учебни програми за периода 2021–2025 г. предлага полезна перспектива. С времето повече от половината курсове въвеждат изрични политики за ИИ, а много преподаватели се отдалечават от общите забрани и преминават към по-диференцирани насоки.

Една устойчива тенденция заслужава внимание. Курсовете с интензивно писане и програмиране по-често формулират ясни правила за ИИ. Преподавателите обикновено защитават дейности като същинско писане, аргументация и разсъждение, като същевременно допускат ИИ при редактиране, езикова корекция, подпомагане на ученето и понякога при техническо програмиране. Малка част от курсовете стигат по-далеч и включват специфични задачи, свързани с ИИ, като структурирано формулиране на подкани или системна проверка на генерирани резултати.

За колегите в Икономически университет това звучи познато. Нашите студенти изготвят аналитични доклади, политически анализи, изследователски разработки. Те изграждат модели, интерпретират данни и аргументират управленски решения. Тези дейности са в основата на професионалната компетентност. Когато ИИ се включи в този процес, ключовият въпрос е как неговата употреба влияе върху начина, по който студентите мислят и изграждат умения.

Практичен подход е да регулираме ИИ на ниво задача, а не на ниво инструмент. Вместо общо изречение, че ИИ е разрешен или забранен, можем да уточним очакванията за всеки етап от заданието. Например да изискаме самостоятелно генериране на идеи, да позволим ИИ за езикова редакция и да поискаме деклариране, ако студентите използват ИИ при програмиране или анализ на данни. Така фокусът остава върху учебните цели.

Прозрачността също подкрепя доверието. Когато студентите кратко описват как са използвали ИИ и какво са проверили самостоятелно, ние получаваме по-ясна представа за процеса им на работа. В същото време те упражняват отговорност и критична оценка.

Добре е да защитим и моменти на самостоятелно разсъждение. Кратки анализи в аудитория, устни защити или поетапно предаване на задания правят мисловния процес видим. Тези формати са особено подходящи за икономика и мениджмънт, където аргументацията и обосновката са централни.

Накрая, можем да превърнем проверката в изрично очакване. Ако студент използва ИИ за обобщение на доклад или предложение за аналитичен подход, нека провери източниците, тества предположенията и обясни ограниченията. В професионалната практика завършилите няма да бъдат оценявани за това, че възпроизвеждат резултати, а за това, че ги оценяват и прилагат с преценка.

Когато преминем от общи забрани към яснота на ниво конкретни задачи, създаваме по-последователна и предвидима учебна среда. Ако насоките за ИИ са в съответствие с уменията, които искаме студентите да развият, подкрепяме както академичните стандарти, така и осмисленото обновяване на преподаването.

Chirikov, Igor. 2026. “How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi.” Higher Education Working Paper Series 26(1). https://escholarship.org/uc/item/9c51s3gs.

12 фев 2026