საბაკალავრო ნაშრომი შეისწავლის ხელოვნური ინტელექტის (AI) გავლენას უმაღლესი განათლების სისტემაზე, აფასებს მის დადებით და უარყოფით მხარეებს და აანალიზებს საქართველოს მზაობას ამ გლობალური გამოწვევისადმი. ნაშრომში განხილულია AI-ის ძირითადი ტექნოლოგიები, მისი როლი სწავლების პერსონალიზაციასა და ადმინისტრაციული პროცესების ავტომატიზაციაში, ასევე პედაგოგის, როგორც ფასილიტატორის, ახალი ფუნქციები. ამასთან, გამოკვეთილია ტექნოლოგიის დანერგვასთან დაკავშირებული ეთიკური რისკები: მონაცემთა კონფიდენციალურობა, ალგორითმული მიკერძოება და აკადემიური არაკეთილსინდისიერების საფრთხეები. თბილისის სახელმწიფო უნივერსიტეტის მაგალითზე გაანალიზებულია ქვეყანაში არსებული სტრატეგიები და სისტემური ბარიერები. დასკვნის თანახმად, ტექნოლოგიის წარმატებული დანერგვა ინოვაციასა და ეთიკურ პრინციპებს შორის სტრატეგიული ბალანსის დაცვასა და ადამიანზე ორიენტირებული მიდგომის გათვალისწინებას მოითხოვს.

ტექნოლოგიური პროგრესი გლობალური ცვლილებების მთავარ მამოძრავებელ ძალად იქცა და გავლენა თითქმის ყველა სფეროზე მოახდინა, მათ შორის განათლებაზეც (ბენაშვილი 2025, 21). ხელოვნური ინტელექტის (AI) ინტენსიურმა განვითარებამ ბოლო ათწლეულში არსებითად გარდაქმნა უმაღლესი განათლების სისტემა და გადაახალისა ტრადიციული წარმოდგენები ცოდნის მიღებისა და გადაცემის შესახებ. ხელოვნური ინტელექტი დღეს ტექნოლოგიურ ინოვაციასთან ერთად სტრატეგიული ინსტრუმენტიცაა, რომელიც სწავლების მეთოდოლოგიაზე, შეფასების სტანდარტებსა და აკადემიური ურთიერთობების დინამიკაზე ახდენს გავლენას (ბენაშვილი 2025, 21). ამ პროცესის გლობალურ მასშტაბს ისიც ადასტურებს, რომ მსოფლიოს უმაღლესი საგანმანათლებლო დაწესებულებების დაახლოებით ორი მესამედი უკვე ამუშავებს ან ნერგავს ხელოვნური ინტელექტის გამოყენების პოლიტიკას (ბენაშვილი 2025, 4-7).

ნაშრომის აქტუალობას განაპირობებს ის, რომ ხელოვნური ინტელექტის დანერგვა განათლებაში ექსპერიმენტულ ეტაპს გასცდა და სისტემურ საჭიროებად იქცა (ბენაშვილი 2025, 22). უნივერსიტეტები სულ უფრო აქტიურად ნერგავენ მონაცემთა ანალიტიკას, ავტომატიზებულ შეფასების სისტემებსა და პერსონალიზებულ ციფრულ პლატფორმებს, რომელთა მიზანია თითოეული სტუდენტისთვის ინდივიდუალური სასწავლო გამოცდილების შექმნა (ბენაშვილი 2025, 4). ამავე დროს, საკითხის კვლევა განსაკუთრებით საყურადღებოა საქართველოსა და სხვა განვითარებადი ქვეყნების უნივერსიტეტებისთვის, სადაც ტექნოლოგიური ინტეგრაცია ჯერ კიდევ ჩამოყალიბების პროცესშია და სათანადო პოლიტიკის შემუშავებას გადამწყვეტი დატვირთვა აქვს (ბენაშვილი 2025, 22).

ხელოვნური ინტელექტის ინტეგრაციამ საგანმანათლებლო სისტემაში, მრავალ შესაძლებლობასთან ერთად, ახალი და რთული გამოწვევებიც წარმოშვა. მართალია, AI- ს გამოყენება საგრძნობლად ზრდის სწავლების ეფექტიანობას, ამცირებს ადმინისტრაციულ რესურსებს და აძლიერებს სტუდენტთა ჩართულობას, მაგრამ ეს პროცესი სერიოზულ ეთიკურ, სამართლებრივ და აკადემიურ რისკებსაც შეიცავს (ბენაშვილი 2025, 21). საკვლევი პრობლემაც სწორედ ამ ორმაგ ბუნებაშია: როგორ უნდა

მოხდეს ხელოვნური ინტელექტის დადებითი პოტენციალის მაქსიმალურად ათვისება ისე, რომ მინიმუმამდე შემცირდეს მისი გამოყენებით გამოწვეული საფრთხეები.

დადებითი მხრივ, AI-ზე დაფუძნებული პერსონალიზებული სასწავლო გარემო სტუდენტს საშუალებას აძლევს, იმუშაოს ინდივიდუალური ტემპით, მიიღოს მყისიერი უკუკავშირი და განავითაროს თვითსწავლის უნარები (Mureșan 2023, 2). კვლევებით დასტურდება, რომ ასეთმა მიდგომამ შესაძლოა კურსის დასრულების მაჩვენებელი საშუალოდ 22%-ით გაზარდოს (ბენაშვილი 2025, 6). თუმცა, ამავე დროს, აქტუალური ხდება ავტორობისა და პლაგიატის საკითხები, მონაცემთა უსაფრთხოება, ინფორმაციის სანდოობა და სწავლების მორალური საზღვრების დაცვა (ბენაშვილი 2025, 21). გამოკითხვების თანახმად, აკადემიური სფეროს წარმომადგენელთა 98% შეშფოთებულია დეზინფორმაციის ზრდით, 90% მონაცემების თანხმობის გარეშე გამოყენებით, ხოლო 88% AI-ით გენერირებული შინაარსის შეფასების სირთულით (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი 2025, 21). გარდა ამისა, ტექნოლოგიაზე გადაჭარბებულმა დამოკიდებულებამ შესაძლოა სტუდენტებში კრიტიკული აზროვნების უნარები დათრგუნოს (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი 2025, 22).

ამრიგად, კვლევის მთავარი პრობლემა შემდეგ კითხვას აყალიბებს: როგორ უნდა მოხდეს ხელოვნური ინტელექტის ინტეგრაცია საგანმანათლებლო სისტემაში ისე, რომ არ დაირღვეს განათლების მთავარი არსი - ადამიანის გონებრივი და მორალური განვითარება, და ამავდროულად, მოხდეს ტექნოლოგიური პროგრესის დაკავშირება აკადემიურ ღირებულებებსა და ეთიკურ პრინციპებთან (ბენაშვილი 2025, 22).

ნაშრომის მთავარი მიზანია ხელოვნური ინტელექტის როლისა და გავლენის ანალიზი უმაღლესი განათლების სისტემაზე, მისი დადებითი და უარყოფითი მხარეების შეფასება, ძირითადი პედაგოგიური, ეთიკური და პრაქტიკული გამოწვევების გამოკვეთა და საქართველოს საგანმანათლებლო სისტემის მზაობის განხილვა ამ გლობალური გარდაქმნისთვის.

ამ მიზნის მისაღწევად ნაშრომში განხორციელდება შემდეგი ამოცანები:

1. ხელოვნური ინტელექტის, როგორც ფენომენის, განმარტება და მისი ძირითადი ტექნოლოგიების (მანქანური სწავლება, ღრმა სწავლება, ბუნებრივი ენის დამუშავება) მიმოხილვა.

2. სასწავლო პროცესზე ხელოვნური ინტელექტის გავლენის ანალიზი, პედაგოგის როლის ცვლილებისა და ახალი პედაგოგიური სტრატეგიების საჭიროების გამოკვეთა.

3. პერსონალიზებული სწავლების მოდელებისა და ადაპტური სასწავლო პლატფორმების ფუნქციონირების პრინციპებისა და უპირატესობების შესწავლა.

4. AI-ს დანერგვასთან დაკავშირებული ძირითადი ეთიკური გამოწვევების, კერძოდ, მონაცემთა კონფიდენციალურობისა და ალგორითმული მიკერძოების პრობლემების გამოვლენა და შეფასება.

5. საქართველოს საგანმანათლებლო სისტემის მზაობის ანალიზი ხელოვნური ინტელექტის დანერგვისთვის, არსებული სტრატეგიებისა და გამოწვევების განხილვა.

ნაშრომი შედგება შესავლის, ექვსი ძირითადი თავისა და დასკვნისგან. შესავალში დასაბუთებულია თემის აქტუალობა, ჩამოყალიბებულია კვლევის პრობლემა, მიზანი და ამოცანები.

პირველი თავი ეძღვნება ხელოვნური ინტელექტის, როგორც ტექნოლოგიური ფენომენის, მიმოხილვას და მის როლს განათლების სისტემების მოდერნიზაციაში. მეორე თავში განხილულია ხელოვნური ინტელექტის განმარტება და მისი საფუძველში მდებარე ძირითადი ტექნოლოგიები, როგორიცაა მანქანური და ღრმა სწავლება. მესამე თავი აანალიზებს ხელოვნური ინტელექტის გავლენას სასწავლო პროცესსა და პედაგოგის როლზე, სადაც ყურადღება გამახვილებულია სწავლების მეთოდოლოგიის ცვლილებებსა და პედაგოგის, როგორც ფასილიტატორის, ახალ ფუნქციებზე. მეოთხე თავში დეტალურად განიხილება პერსონალიზებული სწავლების მოდელები და ადაპტური სასწავლო პლატფორმები. მეხუთე თავი ეძღვნება ეთიკურ საკითხებსა და გამოწვევებს, როგორებიცაა მონაცემთა კონფიდენციალურობა და ალგორითმული მიკერძოება. მეექვსე თავი აფასებს საქართველოს საგანმანათლებლო სისტემის მზაობას

ხელოვნური ინტელექტის ინტეგრაციისთვის, თბილისის სახელმწიფო უნივერსიტეტის მაგალითზე.

დასკვნით ნაწილში შეჯამებულია კვლევის ძირითადი მიგნებები და შედეგები, რასაც თან ერთვის გამოყენებული ლიტერატურის სია.

ხელოვნური ინტელექტის (AI) ზუსტი და საყოველთაოდ მიღებული განმარტების ჩამოყალიბება საკმაოდ რთულია, რაც მისი ინტერდისციპლინური ბუნებითა და მრავალი ასპექტით აიხსნება (მოოსა 2023, 1). მიუხედავად ამისა, აკადემიურ და სამეცნიერო წრეებში არსებობს რამდენიმე ფუძემდებლური იდეა, რომელიც მის არსს ყველაზე უკეთ აღწერს. ტერმინი „ხელოვნური ინტელექტი“ პირველად 1955 წელს სტენფორდის პროფესორმა ჯონ მაკკარტიმ გამოიყენა და ის „ინტელექტუალური მანქანების შექმნის მეცნიერებად და ინჟინერიად“ განსაზღვრა (მენინგი 2020, 1; მოოსა 2023, 4). თავდაპირველად კვლევები მანქანების ისე დაპროგრამებაზე იყო მიმართული, რომ მათ ჭკვიანურად ემოქმედათ, მაგალითად, ეთამაშათ ჭადრაკი. თუმცა, დღეს აქცენტი ისეთი მანქანების შექმნაზეა გადატანილი, რომლებსაც ადამიანების მსგავსად, დამოუკიდებლად შეუძლიათ სწავლა (მენინგი 2020, 1). შესაბამისად, ხელოვნური ინტელექტის მიზანია ისეთი სისტემების შექმნა, რომლებსაც ადამიანური ინტელექტის მომთხოვნი ამოცანების შესრულება შეუძლიათ (განათლების დეპარტამენტი 2024, 7). ასეთი ამოცანებია: შაბლონების ამოცნობა, გადაწყვეტილებების მიღება, ენის გაგება, სწავლა და პრობლემების გადაჭრა (მოოსა 2023, 2; განათლების დეპარტამენტი 2024, 7).

ხელოვნურ და ადამიანურ ინტელექტს შორის კი არსებითი განსხვავებებია. თუ ადამიანის ინტელექტი კოგნიტურ პროცესებსა და ბიოლოგიურ სტრუქტურებს ემყარება, ხელოვნური ინტელექტი ადამიანების მიერ შექმნილ ალგორითმებსა და მათემატიკურ მოდელებზეა დაფუძნებული (მოოსა 2023, 3). ხელოვნურ ინტელექტს მონაცემების დამუშავება ყველაზე ინტელექტუალურ ადამიანზე გაცილებით სწრაფად შეუძლია, თუმცა ეს მას ავტომატურად არ ხდის ადამიანზე უკეთესს, რადგან ადამიანებსაც ძალუძთ რთული გადაწყვეტილებების სწრაფად მიღება (მოოსა 2023, 3). გარდა ამისა, მანქანები მოკლებულია ემოციებს, ემპათიას, მორალურ კოდექსსა და სინდისს, რომლებიც

ადამიანური გადაწყვეტილების მიღების პროცესში არსებით როლს ასრულებს. კრეატიულობის თვალსაზრისითაც, მანქანებს შეზღუდული უნარი აქვთ, იფიქრონ „ჩარჩოს მიღმა“, მაშინ როცა ადამიანები შეიძლება იყვნენ შემოქმედებითები, წარმოსახვის უნარის მქონენი და ინოვატორები (მოოსა 2023, 3-4).

ხელოვნური ინტელექტის თანამედროვე გაგების ბირთვს მანქანური სწავლება (Machine Learning - ML) წარმოადგენს. ეს ხელოვნური ინტელექტის ქვედარგია, რომელიც ყურადღებას ამახვილებს ისეთი ალგორითმების შემუშავებაზე, რომლებსაც მონაცემებიდან შეუძლიათ კანონზომიერებების სწავლა და ამის საფუძველზე პროგნოზების გაკეთება ან გადაწყვეტილებების მიღება ისე, რომ ამისთვის სპეციალურად არ იყვნენ დაპროგრამებული (რახრა 2026, 6; მენინგი 2020, 1). სხვა სიტყვებით, სისტემის ქცევა მონაცემებიდან ან გამოცდილებიდან სწავლის გზით განისაზღვრება, რაც ძირეულად ცვლის პროგრამული უზრუნველყოფის შექმნის ტრადიციულ მიდგომას (მენინგი 2020, 1). მანქანური სწავლების პარადიგმები ზოგადად კატეგორიზდება ზედამხედველობითი (Supervised), უზედამხედველო (Unsupervised) და განმამტკიცებელი (Reinforcement) სწავლების სახით, რომელთაგან თითოეული სხვადასხვა ტიპის პრობლემასა და მონაცემთა ხელმისაწვდომობის სცენარს შეესაბამება (რახრა 2026, 6).

ზედამხედველობითი სწავლება მოდელების ტრენინგს გულისხმობს ე.წ. „ნიშნულებიან“ (labeled) მონაცემთა ბაზებზე, სადაც ყოველ შემავალ მაგალითს ცნობილი გამომავალი შედეგი შეესაბამება. ამ მეთოდის მთავარი მიზანია ისეთი ფუნქციის (f:X→Y) შესწავლა, რომელიც მანამდე უნახავი მონაცემებისთვის შედეგებს ზუსტად იწინასწარმეტყველებს (რახრა 2026, 7). ამ ტიპის სწავლების გავრცელებული ამოცანებია კლასიფიკაცია (მაგალითად, სპამის დეტექცია ან დაავადების დიაგნოსტიკა) და რეგრესია (მაგალითად, სახლის ფასის პროგნოზირება) (რახრა 2026, 7). პოპულარულ ალგორითმებს შორისაა წრფივი და ლოგისტიკური რეგრესია, საყრდენი ვექტორების მანქანა (SVM), k-უახლოესი მეზობლის ალგორითმი (KNN), გადაწყვეტილების ხეები და ნერვული ქსელები (რახრა 2026, 7). მიუხედავად იმისა, რომ ზედამხედველობითმა სწავლებამ დიდ წარმატებას მიაღწია, მისი მთავარი შეზღუდვა ნიშნულებიან მონაცემებზე დამოკიდებულებაა, რადგან მონაცემთა მონიშვნის პროცესი ხშირად ძვირი და დროში გაწელილია (რახრა 2026, 7).

ზედამხედველობითი სწავლებისგან განსხვავებით, უზედამხედველო სწავლება „უნიშნულებო“ (unlabeled) მონაცემებზე მუშაობს და მიზნად ისახავს მონაცემთა ერთობლიობაში დამალული სტრუქტურების, შაბლონებისა და კავშირების აღმოჩენას (რახრა 2026, 7). ტიპური ამოცანებია კლასტერიზაცია, განზომილების შემცირება და ანომალიების აღმოჩენა (რახრა 2026, 7). კლასტერიზაციის ალგორითმები, როგორიცაა k-საშუალო (k-means) და იერარქიული კლასტერიზაცია, მსგავსი მონაცემების დაჯგუფებას ახდენს. ხოლო განზომილების შემცირების ტექნიკები, მაგალითად, მთავარი კომპონენტების ანალიზი (PCA), მონაცემთა სირთულეს ამცირებს არსებითი ინფორმაციის შენარჩუნებით (რახრა 2026, 7). ეს მიდგომა ფართოდ გამოიყენება კვლევითი მონაცემების ანალიზში, ბაზრის სეგმენტაციასა და ბიოინფორმატიკაში, თუმცა მისი შეფასება რთულია, რადგან არ არსებობს „სწორი პასუხების“ ნიშნულები (რახრა 2026, 7).

მანქანური სწავლების მესამე ძირითადი პარადიგმაა განმამტკიცებელი სწავლება, რომელიც ორიენტირებულია აგენტის გაწვრთნაზე, რათა მან ცდისა და შეცდომის მეთოდით ისწავლოს ოპტიმალური მოქმედებები გარემოსთან ურთიერთობისას (რახრა 2026, 8). ამ პროცესში აგენტი კუმულაციური ჯილდოს მაქსიმალურად გაზრდას ცდილობს (მენინგი 2020, 1). კლასიკური განმამტკიცებელი სწავლების ალგორითმებია Q-learning და SARSA, ხოლო თანამედროვე ღრმა განმამტკიცებელი სწავლება ნერვულ ქსელებს იყენებს ღირებულების ფუნქციებისა და პოლიტიკების ასპროქსიმაციისთვის (რახრა 2026, 8). ამ მიდგომამ განსაკუთრებულ შედეგებს მიაღწია რობოტიკაში, თამაშების თამაშსა (მაგალითად, ჭადრაკში დიდოსტატების დამარცხება) და ავტონომიურ მართვაში (მოოსა 2023, 5; რახრა 2026, 8).

მანქანური სწავლების ქვესფეროა ღრმა სწავლება (Deep Learning), რომელმაც ბოლო წლებში რევოლუცია მოახდინა. ის მრავალშრიან ხელოვნურ ნერვულ ქსელებს იყენებს რთული არაწრფივი კავშირების მოდელირებისთვის (რახრა 2026, 8). ღრმა სწავლების წარმატება გამოთვლითი სიმძლავრეების (მაგალითად, გრაფიკული პროცესორები - GPU და ტენზორული პროცესორები - TPU) ზრდამ, დიდი მოცულობის მონაცემების ხელმისაწვდომობამ და გაუმჯობესებულმა ალგორითმებმა განაპირობა (რახრა 2026, 6, 8). ღრმა სწავლების არქიტექტურებში რამდენიმე ძირითადი ტიპი

გამოირჩევა, მათ შორის კონვოლუციური ნერვული ქსელები (CNN), რეკურენტული ნერვული ქსელები (RNN) და ტრანსფორმერები (რახრა 2026, 8-9).

კონვოლუციური ნერვული ქსელები (CNN) სპეციალიზებულია ბადისებრი სტრუქტურის მონაცემების, მაგალითად, სურათების დასამუშავებლად. ისინი იყენებენ კონვოლუციურ, გაერთიანებისა (pooling) და სრულად დაკავშირებულ შრეებს, რათა ავტომატურად ამოიღონ იერარქიული ნიშან-თვისებები (features) (რახრა 2026, 9). CNN- ები ფართოდ გამოიყენება სურათების კლასიფიკაციაში, სამედიცინო გამოსახულებების ანალიზსა და სახის ამოცნობაში (რახრა 2026, 9). რეკურენტული ნერვული ქსელები (RNN) კი თანმიმდევრული მონაცემების, მაგალითად, ტექსტისა და მეტყველების, დასამუშავებლად არის შექმნილი. მათ შიდა მეხსიერების შენარჩუნება შეუძლიათ, თუმცა ტრადიციული RNN-ები ე.წ. „გრადიენტის გაქრობის“ პრობლემით ხასიათდებიან. ეს პრობლემა დიდწილად გადაჭრა LSTM (Long Short-Term Memory) ქსელებმა, რომლებიც სპეციალურ „კარიბჭე“ მექანიზმებს იყენებენ და წარმატებით გამოიყენება მეტყველების ამოცნობაში, მანქანურ თარგმნასა და დროითი მწკრივების პროგნოზირებაში (რახრა 2026, 9).

ღრმა სწავლების უახლესი და გარდამტეხი არქიტექტურაა ტრანსფორმერები. ისინი, RNN-ებისგან განსხვავებით, რეკურენციისა და კონვოლუციის ნაცვლად, „თვითყურადღების“ (self-attention) მექანიზმს იყენებენ, რაც თანმიმდევრობების პარალელურად დამუშავების საშუალებას იძლევა (რახრა 2026, 9). სწორედ ტრანსფორმერები წარმოადგენენ თანამედროვე დიდი ენობრივი მოდელების (Large Language Models - LLM) საფუძველს და მათ რევოლუცია მოახდინეს ბუნებრივი ენის დამუშავებასა და კომპიუტერულ ხედვაში (რახრა 2026, 9).

ხელოვნური ინტელექტის კიდევ ერთი ცენტრალური ტექნოლოგიაა ბუნებრივი ენის დამუშავება (Natural Language Processing - NLP), რომლის მიზანიცაა მანქანებისთვის ადამიანური ენის გაგების, ინტერპრეტაციისა და გენერირების უნარის მინიჭება (რახრა 2026, 9). თუ ადრეული NLP სისტემები წესებზე დაფუძნებულ მიდგომებს იყენებდა, თანამედროვე NLP უმეტესად სტატისტიკურ და ღრმა სწავლების მეთოდებს ეყრდნობა (რახრა 2026, 9). NLP-ის ძირითადი ამოცანებია ტექსტის კლასიფიკაცია, მანქანური

თარგმანი, ტექსტის შეჯამება, სენტიმენტის ანალიზი და კითხვა-პასუხის სისტემები (რახრა 2026, 9; კალვინო 2023, 43). წინასწარ გაწვრთნილი ენობრივი მოდელები, როგორიცაა BERT და GPT, იყენებენ უზარმაზარ ტექსტურ კორპუსებს და ტრანსფერულ სწავლებას, რათა ამ ამოცანებში უმაღლესი დონის შედეგებს მიაღწიონ (რახრა 2026, 9). NLP ტექნოლოგიებს ყოველდღიურ ცხოვრებაშიც ვხვდებით, მაგალითად, ჩატბოტებში, ვირტუალურ ასისტენტებში (Siri, Alexa), საძიებო სისტემებსა და ტექსტის რედაქტირების პროგრამებში (მოოსა 2023, 1; რახრა 2026, 9).

ხელოვნური ინტელექტის კლასიფიკაცია მისი ფუნქციონირების მიხედვითაც შეიძლება. ამ კუთხით, გამოიყოფა რეაქტიული, პრედიქციული და გენერაციული ხელოვნური ინტელექტი (განათლების დეპარტამენტი 2024, 7). რეაქტიული AI რეალურ დროში მუშაობს და გადაწყვეტილებებს მხოლოდ იმ მომენტში არსებული ინფორმაციის საფუძველზე იღებს, მომავლის პროგნოზირების გარეშე. ამის მაგალითია რობოტი მტვერსასრუტი, რომელიც დაპროგრამებულ მოქმედებებს სენსორებიდან მიღებული ბრძანებების მიხედვით ასრულებს (განათლების დეპარტამენტი 2024, 8). პრედიქციული AI იყენებს ისტორიულ მონაცემებსა და შაბლონებს მომავალი მოვლენების ან ქცევების საპროგნოზოდ. ასეთი ტიპის AI გვხვდება, მაგალითად, სტრიმინგ პლატფორმების რეკომენდაციების სისტემებში, რომლებიც წინასწარ განსაზღვრავენ, თუ რომელი შინაარსი შეიძლება დააინტერესოს მომხმარებელს მისი წინა ქცევის ანალიზის საფუძველზე (განათლების დეპარტამენტი 2024, 8).

ყველაზე მოწინავე ტიპია გენერაციული AI, რომელიც ქმნის ახალ, ორიგინალურ შინაარსს, როგორიცაა ტექსტი, სურათები, მუსიკა ან ვიდეო, იმ შაბლონების საფუძველზე, რომლებიც დიდი მოცულობის მონაცემებიდან ისწავლა (განათლების დეპარტამენტი 2024, 8). სხვა AI ტიპებისგან განსხვავებით, რომლებიც მხოლოდ აანალიზებენ ან პროგნოზირებენ, გენერაციულ AI-ს შეუძლია, შექმნას სრულიად ახალი პროდუქტი. ამ ტექნოლოგიის მაგალითებია ისეთი მოდელები, როგორიცაა ChatGPT ან MS Copilot, რომლებსაც შეუძლიათ კითხვებზე გამართული ტექსტური პასუხების დაწერა, ან DALL-E, რომელიც ტექსტური აღწერის საფუძველზე სურათებს ქმნის (განათლების დეპარტამენტი 2024, 8). გენერაციული AI-ის ტექნოლოგიები ეფუძნება ისეთ არქიტექტურებს, როგორიცაა გენერაციული ანტაგონისტური ქსელები (GANs) და დიფუზიური მოდელები,

რომლებმაც გამოსახულებისა და აუდიოს გენერირებაში უმაღლესი დონის შედეგები აჩვენეს (რახრა 2026, 10).

ზემოთ განხილული ტექნოლოგიების გარდა, ხელოვნური ინტელექტის ეკოსისტემა მოიცავს სხვა ძირითად მიმართულებებსაც, როგორიცაა კომპიუტერული ხედვა, რობოტიკა და ევოლუციური ალგორითმები. კომპიუტერული ხედვის (Computer Vision) მიზანია, მანქანებს ვიზუალური ინფორმაციის, მაგალითად, სურათებისა და ვიდეოების, ინტერპრეტაციისა და გაგების უნარი მიანიჭოს (რახრა 2026, 9). მისი მთავარი ამოცანებია ობიექტების დეტექცია, სახის ამოცნობა და სურათების სეგმენტაცია, რისთვისაც აქტიურად გამოიყენება CNN და Vision Transformer არქიტექტურები (რახრა 2026, 9). რობოტიკა კი, თავის მხრივ, აერთიანებს ხელოვნური ინტელექტის სხვადასხვა ტექნოლოგიას, რათა შეიქმნას ფიზიკური აგენტები, რომლებსაც შეუძლიათ გარემოსთან ინტერაქცია, მაგალითად, ინდუსტრიული რობოტები ან ჰუმანოიდები (კალვინო 2023, 43). ევოლუციური და გუნდური (swarm) ალგორითმები, როგორიცაა გენეტიკური ალგორითმები და ჭიანჭველების კოლონიის ოპტიმიზაცია, ბუნებრივი სელექციისა და კოლექტიური ქცევის პრინციპებით არის შთაგონებული და ეფექტიანია გლობალური ოპტიმიზაციის ამოცანებისთვის, სადაც საძიებო სივრცე დიდი და რთულია (რახრა 2026, 6).

ხელოვნური ინტელექტის (AI) დანერგვა განათლების სფეროში სულ უფრო მასშტაბურ ხასიათს იღებს, რაც მხოლოდ ტექნოლოგიური სიახლით არ შემოიფარგლება და სისტემურ ცვლილებებს განაპირობებს. ამ პროცესის მასშტაბზე ნათლად მეტყველებს ფინანსური მაჩვენებლებიც. მაგალითად, თუ 2021 წელს განათლებაში ხელოვნური ინტელექტის გლობალური ბაზარი დაახლოებით 1.82 მილიარდ აშშ დოლარად ფასდებოდა, პროგნოზების მიხედვით, 2030 წლისთვის ეს მაჩვენებელი, სავარაუდოდ, 31.78 მილიარდ დოლარს მიაღწევს (Fnu Imran Ahamed, 2025, gv. 1). ასეთი ზრდა მიუთითებს, რომ უნივერსიტეტები და საგანმანათლებლო დაწესებულებები ხელოვნურ ინტელექტს უკვე სტრატეგიულ ინსტრუმენტად განიხილავენ, რომელიც სწავლების მეთოდოლოგიას, ადმინისტრაციულ მართვასა და აკადემიურ კულტურას ძირეულად

ცვლის. ის თანდათან ინტელექტუალური პარტნიორის ფუნქციას იძენს, რაც ტრადიციული წარმოდგენების გადააზრებას მოითხოვს (ბენაშვილი, 2025, gv. 22).

ხელოვნური ინტელექტის ერთ-ერთი მთავარი შესაძლებლობა სწავლების პროცესის პერსონალიზაციაა. ტრადიციული, „ერთი ზომით ყველასთვის“ მოდელისგან განსხვავებით, AI-ზე დაფუძნებული სისტემები აგროვებენ და აანალიზებენ მონაცემებს თითოეული სტუდენტის პროგრესის, ინტერაქციის, შეცდომების სიხშირისა და სწავლის ტემპის შესახებ (Mureșan, 2023, gv. 2). ამ მონაცემებზე დაყრდნობით, ალგორითმებს შეუძლიათ შექმნან ინდივიდუალური სასწავლო გეგმები და შეარჩიონ მასალები, რომლებიც მორგებულია კონკრეტული სტუდენტის ცოდნის დონესა და საჭიროებებზე. კვლევებით დასტურდება, რომ ასეთი მიდგომა საგრძნობლად ზრდის სწავლის ეფექტიანობას. მაგალითად, პერსონალიზებული სასწავლო მოდელების გამოყენებამ ზოგიერთ შემთხვევაში კურსის დასრულების მაჩვენებელი 22%-ით გაზარდა (ბენაშვილი, 2025, gv. 6). უფრო მეტიც, AI სისტემების გამოყენება ხელს უწყობს აკადემიური მოსწრების სხვაობის შემცირებას, განსაკუთრებით იმ სტუდენტებში, რომლებიც ტრადიციულად დაბალ შედეგებს აჩვენებდნენ. მათმა მოსწრებამ, ზოგიერთი კვლევის მიხედვით, 0.36-დან 0.42-მდე სტანდარტული გადახრით მოიმატა საკონტროლო ჯგუფებთან შედარებით (Fnu Imran Ahamed, 2025, gv. 2).

სწავლების პროცესში AI-ის ფუნქციაა სტუდენტებისთვის მყისიერი და პერსონალიზებული უკუკავშირის მიწოდებაც. AI-ზე დაფუძნებულ პლატფორმებსა და ვირტუალურ ასისტენტებს შეუძლიათ რეალურ დროში უპასუხონ სტუდენტების შეკითხვებს, მიუთითონ შეცდომებზე და შესთავაზონ დამატებითი განმარტებები, რაც ტრადიციულ სააუდიტორიო ფორმატში ხშირად შეუძლებელია (Mureșan, 2023, gv. 2; Yo Undersecretary for Academic and Programmatic Affairs, 2024, gv. 13). ამის კარგი მაგალითია Khan Academy-ის AI ასისტენტი Khanmigo, რომლის გამოყენების შედეგად სტუდენტებში ცოდნის ათვისება 25%-ით, ხოლო სწავლის მოტივაცია 31%-ით გაიზარდა (ბენაშვილი, 2025, gv. 6). ასეთი ხელსაწყოები სტუდენტს საშუალებას აძლევს ისწავლოს ინდივიდუალური ტემპით და მიიღოს დახმარება მაშინ, როდესაც ეს ყველაზე მეტად სჭირდება, რაც დამოუკიდებელი სწავლის უნარების განვითარებას უწყობს ხელს.

აღსანიშნავია, რომ საგანმანათლებლო სივრცეში ხელოვნური ინტელექტის გამოყენების პრაქტიკა უკვე საკმაოდ ფართოა. მაგალითად, 788 პროფესიონალის გამოკითხვის საფუძველზე ჩატარებულმა კვლევამ აჩვენა, რომ სტუდენტები AI-ს ყველაზე ხშირად ამოცანების ამოსახსნელად (69%), ნაშრომების კორექტირებისა და რედაქტირებისთვის (67%), სტატიებისა და ლექციების შინაარსის შესაჯამებლად (61%) და იდეების გენერირებისთვის (55%) იყენებენ (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, gv. 11). აკადემიური და ადმინისტრაციული პერსონალის 80%-ზე მეტი კი AI-ს უკვე ყოველდღიურად, მინიმუმ ერთი სამუშაო დავალებისთვის მაინც იყენებს, ძირითადად შინაარსის შეჯამების (74%) და პრობლემების გადასაჭრელად იდეების გენერირების (71%) მიზნით (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, gv. 11). ეს მონაცემები ცხადყოფს, რომ AI უკვე აკადემიური ცხოვრების განუყოფელ ნაწილად იქცა.

სასწავლო პროცესის გაუმჯობესებასთან ერთად, ხელოვნურ ინტელექტს დიდი წვლილი შეაქვს საუნივერსიტეტო ადმინისტრაციული პროცესების ავტომატიზაციასა და ოპტიმიზაციაში. რუტინული ამოცანების, როგორებიცაა ცხრილების შედგენა, დასწრების აღრიცხვა, ჩანაწერების მართვა და სტუდენტთა მოთხოვნების დამუშავება, ავტომატიზაცია ლექტორებსა და ადმინისტრაციულ პერსონალს საშუალებას აძლევს, მეტი დრო დაუთმონ უფრო ფასეულ საქმიანობას, როგორიცაა სტუდენტებთან უშუალო მუშაობა და კვლევა (Mureșan, 2023, gv. 3). კვლევების თანახმად, AI-ზე დაფუძნებული ადმინისტრაციული სისტემების დანერგვამ სასწავლო პერსონალის სამუშაო დატვირთვა 16-22%-ით შეამცირა, რაც კვირაში დაახლოებით 5-7 დამატებით საათს უდრის (Fnu Imran Ahamed, 2025, gv. 6).

ადმინისტრაციული ეფექტიანობის ზრდის ერთ-ერთი თვალსაჩინო მაგალითია შეფასების პროცესის ავტომატიზაცია. ხელნაწერის ამომცნობი კომპიუტერული ხედვის ტექნოლოგიები დღეს უკვე 92-95%-იან სიზუსტეს აღწევს, რამაც მსხვილ საგანმანათლებლო დაწესებულებებში ხელნაწერი ნაშრომების გასწორებაზე დახარჯული დრო 60-75%-ით შეამცირა (Fnu Imran Ahamed, 2025, gv. 7). არანაკლებ შთამბეჭდავია შედეგები ესეების შეფასებისას, სადაც ბუნებრივი ენის დამუშავების (NLP) ალგორითმების შეფასებები 0.76-0.84-ის კორელაციაშია ადამიან-შემფასებელთა ქულებთან. საინტერესოა

ისიც, რომ სტუდენტთა 68% უფრო კომფორტულად გრძნობს თავს დეტალური კრიტიკული უკუკავშირის მიღებისას ავტომატიზებული სისტემისგან, ვიდრე ადამიანისგან, რაც, შესაძლოა, უკუკავშირის უკეთ ათვისებას უწყობდეს ხელს (Fnu Imran Ahamed, 2025, gv. 7).

ადმინისტრაციული პროცესების ოპტიმიზაცია მხოლოდ შეფასებით არ შემოიფარგლება. AI-ზე დაფუძნებული სასაუბრო პლატფორმები, როგორიცაა DRUID, სტუდენტებს 24/7 რეჟიმში სთავაზობს მხარდაჭერას, პასუხობს ხშირად დასმულ კითხვებს და ეხმარება ისეთ პროცესებში, როგორიცაა რეგისტრაცია და დოკუმენტების წარდგენა. ამ კომპანიის მონაცემებით, მსგავსი ტექნოლოგიების დანერგვამ სტუდენტთა მომსახურებისთვის საჭირო დრო 60%-ით შეამცირა (Molina, 2024, gv. 22). ასევე, ხელოვნური ინტელექტი წარმატებით გამოიყენება რესურსების განაწილებისა და ცხრილების შედგენის ოპტიმიზაციისთვის. თანამედროვე ალგორითმებს შეუძლიათ ერთდროულად 85-120-მდე განსხვავებული შეზღუდვის გათვალისწინება, როგორიცაა აუდიტორიების ხელმისაწვდომობა, ლექტორთა პრეფერენციები და სტუდენტთა საჭიროებები. ამის შედეგად, ტრადიციულ მეთოდებთან შედარებით, ცხრილებში კონფლიქტების რაოდენობა 75-85%-ით მცირდება, ხოლო სააუდიტორიო სივრცის გამოყენების ეფექტიანობა 18-26%-ით იზრდება (Fnu Imran Ahamed, 2025, gv. 8).

ხელოვნური ინტელექტის ერთ-ერთი მთავარი გამოყენებაა „ადრეული გაფრთხილების სისტემების“ (EWS) შექმნა, რომლებიც სწავლის პროცესიდან ჩამოშორების რისკის ქვეშ მყოფი სტუდენტების დროულ იდენტიფიცირებას ემსახურება. ეს სისტემები აანალიზებენ ისეთ მონაცემებს, როგორიცაა აკადემიური მოსწრება, დასწრება და ქცევითი მაჩვენებლები, რათა გამოავლინონ სტუდენტები, რომლებსაც დამატებითი მხარდაჭერა სჭირდებათ (Molina, 2024, gv. 23). AI-ალგორითმების პროგნოზირების სიზუსტე ამ მიმართულებით 85-92%-ს აღწევს (Fnu Imran Ahamed, 2025, gv. 3). ასეთი სისტემები უკვე დანერგილია რამდენიმე ქვეყანაში, მათ შორის ჩილესა და პერუში, სადაც ისინი უნივერსიტეტებს ეხმარებიან დროული და მიზნობრივი ინტერვენციების დაგეგმვაში, რათა სტუდენტებმა წარმატებით შეძლონ სწავლის დასრულება (Molina, 2024, gv. 23).

მიუხედავად დიდი შესაძლებლობებისა, ხელოვნური ინტელექტის ინტეგრაცია განათლებაში სერიოზულ გამოწვევებთან და რისკებთანაა დაკავშირებული. ერთ-ერთი მთავარი საზრუნავი დეზინფორმაციის გავრცელება და AI-გენერირებული შინაარსის სანდოობაა. გამოკითხვების მიხედვით, აკადემიური სფეროს წარმომადგენელთა 98% შეშფოთებულია დეზინფორმაციის ზრდით, 90% - პერსონალური მონაცემების თანხმობის გარეშე გამოყენებით, ხოლო 88% - AI-გენერირებული შინაარსის შეფასების სირთულით (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, gv. 21). ამას ემატება აკადემიური არაკეთილსინდისიერების, კერძოდ, პლაგიატის ზრდის საფრთხე, რის გამოც რესპონდენტთა 55% გამოთქვამს წუხილს (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, gv. 22).

სხვა მნიშვნელოვან გამოწვევებს შორისაა მონაცემთა კონფიდენციალურობისა და უსაფრთხოების საკითხები, ციფრული უთანასწორობის გაღრმავების რისკი და პედაგოგთა მზაობა, ეფექტიანად გამოიყენონ ეს ტექნოლოგიები (Vorobyeva, 2025, gv. 3- 4). ტექნოლოგიაზე გადაჭარბებულმა დამოკიდებულებამ, შესაძლოა, შეამციროს სტუდენტთა კრიტიკული და დამოუკიდებელი აზროვნების უნარები, ადამიანური ინტერაქციის ნაკლებობამ კი უარყოფითად იმოქმედოს სოციალური და ემოციური უნარების განვითარებაზე (Mureșan, 2023, gv. 3). ამიტომ, აუცილებელია ისეთი პოლიტიკისა და რეგულაციების შემუშავება, რომლებიც AI-ის ეთიკურ, გამჭვირვალე და პასუხისმგებლიან გამოყენებას უზრუნველყოფენ.

ხელოვნური ინტელექტი თანამედროვე განათლების სისტემას გარდამტეხ შესაძლებლობებს სთავაზობს სწავლების პერსონალიზაციის, ადმინისტრაციული ეფექტიანობის ზრდისა და სტუდენტთა მხარდაჭერის კუთხით. მონაცემებზე დაფუძნებული მიდგომები და ავტომატიზაციის ინსტრუმენტები ქმნის უფრო მოქნილ, ხელმისაწვდომ და ინდივიდუალურ საჭიროებებზე მორგებულ საგანმანათლებლო გარემოს. თუმცა, ამ ტექნოლოგიის წარმატებული დანერგვა ალგორითმების სიზუსტესთან ერთად, იმ ეთიკურ ჩარჩოებსა და ღირებულებებზეცაა დამოკიდებული, რომლებსაც განათლების სისტემა იცავს. ამიტომ, მთავარ ამოცანად რჩება სტრატეგიული ბალანსის პოვნა ტექნოლოგიურ პროგრესსა და განათლების ჰუმანისტურ ფასეულობებს შორის, რათა AI ემსახურებოდეს ადამიანის გონებრივ და მორალურ განვითარებას და არ ჩაანაცვლოს იგი.

ხელოვნური ინტელექტის (AI) ერთ-ერთი მთავარი დადებითი გავლენა განათლებაზე პერსონალიზებული სწავლების (PL) მოდელების განვითარებაა, რომლებიც რადიკალურად ცვლის ტრადიციულ, „ერთი ზომა ყველასთვის“ მიდგომას (Vorobyeva 2025, 5). ტრადიციული საგანმანათლებლო სისტემა, სადაც ყველა სტუდენტი ერთსა და იმავე მასალას ერთნაირი ტემპით ითვისებს, ხშირად ვერ ითვალისწინებს მათ ინდივიდუალურ შესაძლებლობებს, ცოდნის დონესა და ინტერესებს (ბენაშვილი 2025, 6). სწორედ ამ გამოწვევას პასუხობს AI-ზე დაფუძნებული პერსონალიზებული სწავლება, რომლის მიზანიც სასწავლო გამოცდილების თითოეული სტუდენტის უნიკალურ საჭიროებებზე მორგებაა (Das 2025, 2). ასეთი სისტემები, ცოდნის ეფექტიანად ათვისებასთან ერთად, სტუდენტთა მოტივაციასა და ჩართულობასაც ზრდის, რასაც კონკრეტული მაგალითებიც ადასტურებს. მაგალითად, Khan Academy-ის AI ასისტენტის, Khanmigo-ს გამოყენების შედეგად სტუდენტებში კონცეპტუალური ცოდნის ათვისება 25%- ით გაუმჯობესდა, ხოლო სწავლის მოტივაცია 31%-ით გაიზარდა (ბენაშვილი 2025, 6). ანალოგიურად, Coursera-ს პლატფორმაზე პერსონალიზებული სასწავლო მოდელების დანერგვამ კურსის დასრულების მაჩვენებელი საშუალოდ 22%-ით გაზარდა (ბენაშვილი 2025, 6).

პერსონალიზებული სწავლების განხორციელების მთავარი ინსტრუმენტი ადაპტური სასწავლო პლატფორმებია. ეს სისტემები, რომლებიც მანქანურ სწავლებას, ბუნებრივი ენის დამუშავებას (NLP) და პროგნოზირების ანალიტიკას იყენებენ, რეალურ დროში აგროვებენ და აანალიზებენ უზარმაზარი რაოდენობის მონაცემებს სტუდენტების შესახებ (Joshi 2024, 1). ანალიზი მოიცავს სტუდენტის ქცევას, პროგრესს, პასუხების სისწორესა და დაშვებულ შეცდომებს. ამ მონაცემებზე დაყრდნობით, ალგორითმები დინამიკურად არგებენ სასწავლო მასალის შინაარსს, სირთულესა და მიწოდების ტემპს კონკრეტული სტუდენტის საჭიროებებს (Vorobyeva 2025, 5). ასეთი ინტელექტუალური სისტემების დანერგვა ტრადიციულ სალექციო მეთოდებთან შედარებით სწავლის

შედეგებს საშუალოდ 0.3-დან 0.6 სიგმამდე აუმჯობესებს, რაც სტუდენტის 50-ე პროცენტილიდან 73-ე პროცენტილზე გადასვლის ტოლფასია (Ahamed 2025, 3).

ადაპტური სისტემების არქიტექტურა, როგორც წესი, სამ ურთიერთდაკავშირებულ შრეს მოიცავს, რომლებიც ერთობლივად ამუშავებენ სტუდენტის ქმედებებს და რეაგირებენ მათზე (Ahamed 2025, 3). პირველია შემავალი მონაცემების დამუშავების შრე, რომელიც სისტემის „სენსორულ აპარატს“ წარმოადგენს. ამ შრეში ბუნებრივი ენის დამუშავების (NLP) მოდელები აანალიზებენ სტუდენტების წერილობით პასუხებს, მაგალითად, ფიზიკასა და მათემატიკაში, და 85%-მდე სიზუსტით არჩევენ ერთმანეთისგან კონცეპტუალურ შეცდომასა და უბრალოდ გამოთვლისას დაშვებულ მექანიკურ შეცდომას. აგრეთვე, სენტიმენტების ანალიზის ტექნოლოგია დაახლოებით 78%-იანი სიზუსტით ავლენს ტექსტურ პასუხებში იმედგაცრუების ან დაბნეულობის ნიშნებს, რაც სისტემას დროული ემოციური მხარდაჭერის საშუალებას აძლევს (Ahamed 2025, 3). გარდა ამისა, ქცევითი ანალიტიკა აკვირდება ჩართულობის მეტრიკებს, როგორიცაა კონკრეტულ დავალებაზე დაყოვნების დრო და პასუხის სისწრაფე. ჩართულობის შემცირების ნიშნები საშუალოდ 7-10 წუთით ადრე ჩნდება, სანამ სტუდენტი სესიას შეწყვეტს. ამ ნიშნებზე დროული რეაგირება კი სასწავლო სესიების დასრულების მაჩვენებელს 24%-ით, ხოლო კონცეფციის ათვისებას 18%-ით ზრდის (Ahamed 2025, 3).

სისტემის მეორე, ცენტრალური ნაწილია დასკვნების გამოტანის ძრავი (Inference Engine), რომელიც სისტემის „კოგნიტურ ბირთვს“ წარმოადგენს და შემოსულ მონაცემებს სტუდენტის ცოდნის მდგომარეობის შესახებ ქმედით შეფასებებად გარდაქმნის. აქ ერთ- ერთი მთავარი ტექნოლოგია ბაიესის ცოდნის მოდელირებაა, რომელიც სტუდენტის მიერ კონკრეტული კონცეფციის დაუფლების ალბათობას აფასებს. ეს მოდელები, საშუალოდ 15-20 ინტერაქციის შემდეგ, დაახლოებით 85%-იან სიზუსტეს აღწევენ, ხოლო 40-50 ინტერაქციის შემდეგ სიზუსტე 92%-მდე იზრდება (Ahamed 2025, 4). თანამედროვე სისტემები „დავიწყების მრუდებსაც“ ითვალისწინებენ, რომლებიც დროთა განმავლობაში ცოდნის კლების პროცესის მოდელირებას ახდენენ. ამ მონაცემებზე დაყრდნობით გამეორებითი სავარჯიშოების დაგეგმვამ ცოდნის შენარჩუნება 23-31%-ით გააუმჯობესა (Ahamed 2025, 4).

ამავე შრეში მუშაობს გადაწყვეტილების ხეები, რომლებიც სტუდენტისთვის ოპტიმალურ სასწავლო გზას განსაზღვრავენ. ცვლადი განშტოებების მქონე ლოგიკური ხეები ფიქსირებული სტრუქტურის მქონე მოდელებზე დაახლოებით 27%-ით უფრო ეფექტიანია. ერთი სასწავლო მოდული შეიძლება 45-დან 120-მდე გადაწყვეტილების წერტილს მოიცავდეს, სადაც თითოეული მათგანი ათასობით წინა სტუდენტის წარმატების მონაცემებს ეფუძნება (Ahamed 2025, 4). ასევე, რეგრესიული ანალიზი სტუდენტის მომავალი შედეგების პროგნოზირებისთვის გამოიყენება. ასეთ მოდელებზე დაფუძნებული „ადრეული გაფრთხილების სისტემები“ ლექტორებს საშუალებას აძლევს, მიზნობრივი დახმარება გაუწიონ სტუდენტებს საშუალოდ 2.5 კვირით ადრე, ვიდრე ეს ტრადიციული შეფასების მეთოდებით იქნებოდა შესაძლებელი. ამგვარმა დროულმა ჩარევამ კი კურსის დასრულების მაჩვენებლები 12%-დან 19%-მდე გაზარდა (Ahamed 2025, 4).

მესამე შრეა შინაარსის მიწოდების სისტემა, რომელიც ანალიტიკურ დასკვნებს კონკრეტულ, ინდივიდუალურ სასწავლო გამოცდილებად გარდაქმნის. ამის საფუძველია დინამიკური შინაარსის რეპოზიტორიუმები, სადაც სასწავლო ობიექტები მეტამონაცემების 25-35 კატეგორიითაა მონიშნული, მათ შორის კოგნიტური სირთულის, წინაპირობებისა და სასწავლო მიზნების მიხედვით. სემანტიკური ინდექსირების მეთოდები შინაარსის მოძიების შესაბამისობას დაახლოებით 42%-ით აუმჯობესებს ტრადიციულ იერარქიულ ორგანიზებასთან შედარებით (Ahamed 2025, 4). ამასთან, სირთულის დაკალიბრების ალგორითმები მუდმივად აზუსტებენ მასალის სირთულის დონეს სტუდენტთა საერთო შედეგების მიხედვით. სტუდენტები, რომლებიც ადაპტურ სისტემებში სწავლობენ, სასწავლო დროის დაახლოებით 76%-ს „ოპტიმალური გამოწვევის“ მდგომარეობაში ატარებენ, მაშინ როცა ფიქსირებული კურიკულუმის შემთხვევაში ეს მაჩვენებელი მხოლოდ 34%-ია. ამან სირთულეების მქონე სტუდენტებში სწავლის შეწყვეტის მაჩვენებელი 28%-ით შეამცირა (Ahamed 2025, 4).

ადაპტური პლატფორმების ერთ-ერთი საკვანძო კომპონენტია ინტელექტუალური ტუტორინგის სისტემები (ITS). ეს სისტემები, საგანმანათლებლო მონაცემთა მოპოვების (educational data mining) მეთოდების გამოყენებით, სტუდენტთა დეტალურ პროფილებს ქმნიან და ამის საფუძველზე პერსონალიზებულ სასწავლო გზებს აგებენ (Vorobyeva 2025,

5). ასეთი სისტემების მაგალითებია პლატფორმები, როგორებიცაა OpenStax და ASSISSTments, რომლებიც მასწავლებლებს ვერიფიკაციის გავლის შემდეგ მასალებზე წვდომას აძლევენ (Joshi 2024, 2). სპეციალიზებული პლატფორმები, მაგალითად პროგრამირების სწავლებისთვის, დინამიკურად ერგებიან მომხმარებლის უნარების დონეს, სთავაზობენ პერსონალიზებულ ვიდეორეკომენდაციებსა და აფასებენ შესრულებას (Vorobyeva 2025, 5). ეს სისტემები რეალურ დროში უზრუნველყოფენ უკუკავშირს, რაც სტუდენტებს დაბნეულობის თავიდან არიდებასა და მასალის უკეთ გააზრებაში ეხმარება (Das 2025, 2).

ადაპტური სისტემების გამოყენებას ხელშესახები დადებითი შედეგები მოაქვს. მაგალითად, ალგორითმულად თანმიმდევრული სასწავლო მასალის მიწოდებამ, ტრადიციულ კურიკულუმთან შედარებით, კოგნიტური გადატვირთვის შემთხვევები 39%- ით შეამცირა და კონცეფციების დამახსოვრება 27.5%-ით გააუმჯობესა (Ahamed 2025, 2). ათასობით სტუდენტზე დაკვირვებამ აჩვენა, რომ ერთი აკადემიური წლის განმავლობაში ასეთი სისტემების გამოყენების შემდეგ სტუდენტთა 72%-ს აბსტრაქტული პრობლემების გადაჭრის უნარები საგრძნობლად გაუუმჯობესდა (Ahamed 2025, 2). გარდა ამისა, სტუდენტებმა, რომლებიც AI-პლატფორმებს იყენებდნენ, 2.1-ჯერ უფრო მაღალი სასწავლო პროგრესი აჩვენეს, ვიდრე მათ, ვინც ტრადიციული მეთოდებით სწავლობდა (Ayeni 2024, 10). კვირიდან კვირამდე პროგრესის შედარებით, AI-ს გამოყენებით სწავლისას კვირეული პროგრესი 6.2%-ს შეადგენდა, მაშინ როცა ტრადიციულ გარემოში ეს მაჩვენებელი მხოლოდ 3.1% იყო (Ayeni 2024, 12).

გაუმჯობესებული აკადემიური შედეგების ერთ-ერთი მთავარი მიზეზი გაზრდილი ჩართულობა და მოტივაციაა. როდესაც სასწავლო მასალა პერსონალიზებულია, სტუდენტები მასთან უფრო მჭიდრო და შინაარსობრივ კავშირს ამყარებენ (Das 2025, 2). კვლევის თანახმად, სწავლის შედეგებზე ყველაზე ძლიერი გავლენა სწორედ AI პერსონალიზაციას (r = 0.81) და მაღალ ჩართულობას (r = 0.79) ჰქონდა (Ayeni 2024, 12). ნეიროგანსხვავებული სტუდენტების შემთხვევაშიც კი, პერსონალიზებულმა სასწავლო გზებმა ცოდნის შენარჩუნების მაჩვენებლები გააუმჯობესა (Ayeni 2024, 10). ეს სისტემები სტუდენტს საშუალებას აძლევს, საკუთარი ტემპით იაროს წინ, რაც თავდაჯერებულობას მატებს და სწავლის პროცესს უფრო სასიამოვნოს ხდის.

პერსონალიზებული სწავლების კიდევ ერთი არსებითი უპირატესობა საგანმანათლებლო თანასწორობისა და ინკლუზიურობის ხელშეწყობაა. ხელოვნურ ინტელექტს შეუძლია შექმნას ადაპტირებული სასწავლო რესურსები, რომლებიც ითვალისწინებენ სტუდენტთა სოციალურ, ენობრივ ან ფიზიკურ განსხვავებებს და ამცირებენ ცოდნის უთანასწორობას (ბენაშვილი 2025, 7). მაგალითად, სპეციალური საჭიროებების მქონე სტუდენტებისთვის AI-ს შეუძლია შესთავაზოს ისეთი დამხმარე საშუალებები, როგორიცაა ტექსტის გახმოვანება (text-to-speech) მხედველობის დაქვეითების მქონეთათვის, ტექსტის პროგნოზირებადი შეყვანა მოტორული შეზღუდვების მქონეთათვის ან თუნდაც ჟესტების ენის თარგმნა სმენის დაქვეითების მქონე სტუდენტებისთვის (Ayeni 2024, 2). უფრო მეტიც, AI-ზე დაფუძნებული სისტემების მასშტაბურობა პერსონალიზებული განათლების ფართო ჯგუფებისთვის ხელმისაწვდომობას ხდის შესაძლებელს, რაც საგანმანათლებლო შესაძლებლობებში არსებული განსხვავებების შემცირებას უწყობს ხელს (Das 2025, 2).

მიუხედავად უამრავი უპირატესობისა, ადაპტური სწავლების დანერგვა გარკვეულ გამოწვევებთანაა დაკავშირებული. ერთ-ერთი მთავარი პრობლემა ალგორითმული მიკერძოებაა. ვინაიდან AI სისტემები უზარმაზარ მონაცემთა ბაზებზეა აგებული, მათ შეუძლიათ ასახონ და გააძლიერონ საზოგადოებაში არსებული მიკერძოებები, რამაც შეიძლება უსამართლო შედეგები გამოიწვიოს გარკვეული ჯგუფის, განსაკუთრებით კი მარგინალიზებული სტუდენტებისთვის (Das 2025, 3; Stinar 2022, 1). ზოგჯერ მიკერძოების შემცირებისკენ მიმართული ალგორითმებიც კი გაუთვალისწინებელ და არასასურველ შედეგებს იწვევენ (Stinar 2022, 1). ეს პრობლემა კი განსაკუთრებით მწვავედ დგას სპეციალური საჭიროებების მქონე სტუდენტებთან მიმართებაში, რადგან არასწორად შედგენილმა მონაცემთა ბაზამ, რომელიც მოსწავლეთა მრავალფეროვნებას არ წარმოადგენს, შეიძლება ალგორითმის მიკერძოება გამოიწვიოს (Ayeni 2024, 3).

სხვა არსებითი გამოწვევებია მონაცემთა კონფიდენციალურობა და უსაფრთხოება. AI სისტემები დიდი მოცულობის პერსონალურ ინფორმაციას აგროვებენ, რაც მათი ბოროტად გამოყენების რისკებს აჩენს (Joshi 2024, 2; Vorobyeva 2025, 4). სტუდენტებში მუდმივი მონიტორინგის გამო შეიძლება გაჩნდეს „ციფრული ზედამხედველობის“ განცდაც, რაც შემოქმედებითობასა და თავისუფალ აზროვნებას ზღუდავს (ბენაშვილი

2025, 10). ამასთან, პედაგოგიური და დანერგვის საკითხები ხშირად უფრო დიდ სირთულეს წარმოადგენს, ვიდრე თავად ტექნოლოგიური პრობლემები. მასწავლებლებს სჭირდებათ შესაბამისი ტრენინგი, ხოლო ინსტიტუტებს - სათანადო ტექნიკური ინფრასტრუქტურა და ფინანსური რესურსები, რაც განსაკუთრებით დაბალი და საშუალო შემოსავლის მქონე ქვეყნებისთვისაა პრობლემა (Vorobyeva 2025, 17; Vorobyeva 2025, 4). საბოლოოდ, გასათვალისწინებელია, რომ ხელოვნური ინტელექტი ინსტრუმენტია, რომელიც აძლიერებს და მხარს უჭერს ადამიანის ექსპერტიზას და არ ანაცვლებს მას (Joshi 2024, 2).

ხელოვნური ინტელექტის (AI) ტექნოლოგიების დანერგვამ უმაღლეს განათლებაში სასწავლო პროცესის ძირეული გარდაქმნა გამოიწვია. ტრადიციული საგანმანათლებლო მოდელი, რომელიც წლების განმავლობაში ლექციებსა და სტანდარტიზებულ შეფასების ფორმებს ეფუძნებოდა, ადგილს უთმობს ბევრად მოქნილ, დინამიკურ და პერსონალიზებულ მიდგომებს (ბენაშვილი 2025, 4). უნივერსიტეტები სულ უფრო აქტიურად იყენებენ მონაცემთა ანალიტიკას, ავტომატიზებულ სისტემებსა და ციფრულ პლატფორმებს, რომლებიც თითოეული სტუდენტისთვის ინდივიდუალური სასწავლო გამოცდილების შექმნის შესაძლებლობას იძლევა (Salazar Gómez 2025, 1). ეს ცვლილება მხოლოდ ტექნოლოგიურ სიახლეს არ წარმოადგენს, ის განათლების არსს, სწავლების პროცესებსა და უნივერსიტეტებში დამკვიდრებულ ურთიერთობებსაც კი გარდაქმნის (ბენაშვილი 2025, 4). შესაბამისად, სწავლების მეთოდოლოგიასთან ერთად, პედაგოგის როლი და ფუნქციებიც იცვლება აკადემიურ სივრცეში.

ხელოვნური ინტელექტის ერთ-ერთი უმთავრესი უპირატესობა სწავლების პერსონალიზაციის უნარია, რაც რადიკალურად ცვლის სტუდენტების ჩართულობასა და მოტივაციას (Vorobyeva 2025, 5). ტრადიციული მიდგომისას, სადაც ყველა სტუდენტი ერთსა და იმავე მასალას ერთნაირი ტემპით ითვისებდა, ინდივიდუალური საჭიროებები ხშირად უგულებელყოფილი რჩებოდა (ბენაშვილი 2025, 6). დღეს კი, AI-ზე დაფუძნებული პლატფორმები სტუდენტის ქცევის, პროგრესისა და ცოდნაში არსებული ხარვეზების დეტალური ანალიზის საფუძველზე ინდივიდუალურ სასწავლო პროფილებს ქმნიან (Fnu Imran Ahamed 2025, 2). მაგალითად, Khan Academy-ის მიერ შემუშავებულმა AI- ასისტენტმა Khanmigo-მ სტუდენტების მიერ კონცეპტუალური ცოდნის ათვისება 25%-ით გააუმჯობესა, ხოლო სწავლის მოტივაცია 31%-ით გაზარდა (ბენაშვილი 2025, 6). ანალოგიურად, Coursera-ს კვლევამ აჩვენა, რომ პერსონალიზებულმა სასწავლო

მოდელმა კურსის დასრულების მაჩვენებელი საშუალოდ 22%-ით გაზარდა (ბენაშვილი 2025, 6). ეს სისტემები სტუდენტს სწავლის ტემპსაც არგებს და მასალის სირთულესაც მისი მიმდინარე ცოდნის დონის მიხედვით არჩევს, რაც უფრო ღრმა და ეფექტიან სწავლას განაპირობებს (Vorobyeva 2025, 5).

სასწავლო პროცესის გარდაქმნის პარალელურად, გარდაუვლად იცვლება პედაგოგის როლიც. თუ ადრე ლექტორი ცოდნის მთავარ და ხშირად ერთადერთ წყაროს წარმოადგენდა, დღეს მისი ფუნქცია ბევრად უფრო რთულია (Osadcha 2025, 2). ხელოვნური ინტელექტის ეპოქაში პედაგოგი ინფორმაციის უბრალო გადამცემიდან იქცევა ფასილიტატორად, მენტორად და მოტივატორად, რომელიც სტუდენტებს ინფორმაციის უზარმაზარ ნაკადში ნავიგაციაში, ხელმისაწვდომი წყაროების კრიტიკულად შეფასებასა და თანამედროვე ციფრული შესაძლებლობების ეფექტიანად გამოყენებაში ეხმარება (Osadcha 2025, 2; Trucano 2025, 2). ამგვარად, აქცენტი ცოდნის დაგროვებიდან კრიტიკული აზროვნების, პრობლემების გადაჭრისა და შემოქმედებითი უნარების განვითარებაზე გადადის, რადგან რუტინული ამოცანების შესრულება სულ უფრო მეტად ავტომატიზებული ხდება (ბენაშვილი 2025, 5). პედაგოგის მთავარი ამოცანა კითხვებზე მზა პასუხების მიწოდებიდან სტუდენტებისთვის იმ უნარების გამომუშავებაზე გადადის, რომლებიც მათ AI-სთან ეფექტიან თანამშრომლობასა და მის მიერ გენერირებული ინფორმაციის კრიტიკულად გააზრებაში დაეხმარება (Trucano 2025, 3).

პედაგოგის ახალ როლებს რამდენიმე ძირითადი ფუნქცია განსაზღვრავს, რომლებსაც ის AI-ით გაჯერებულ საგანმანათლებლო გარემოში იძენს. როგორც მკვლევარები აღნიშნავენ, პედაგოგის როლი ტრადიციული, შინაარსის მიმწოდებლის ფუნქციიდან ფასილიტატორის, მენტორისა და სასწავლო გამოცდილების დიზაინერის როლზე გადადის (Dhupal 2026, 2). პედაგოგი ხდება „AI-ს თანამონაწილე“ ან „ნავიგატორი“, რომელიც კლასში კრიტიკულ აზროვნებას წარმართავს, AI-ს გამოყენებასთან დაკავშირებულ საკითხებს მართავს და ადამიანისა და მანქანის თანამშრომლობას უწყობს ხელს (Dhupal 2026, 2). ამ პროცესში პედაგოგის ადაპტაციის რამდენიმე ეტაპი გამოიყოფა: დამკვირვებელი, რომელიც ტექნოლოგიას ეცნობა; ადაპტორი, რომელიც მის მორგებას ცდილობს; ინტეგრატორი, რომელიც მას სასწავლო პროცესში ნერგავს; და ინოვატორი, რომელიც AI-ს გამოყენებით ახალ პედაგოგიურ

პარადიგმებს ქმნის (Dhupal 2026, 2). ამავე დროს, პედაგოგის შეუცვლელ ფუნქციად რჩება ემოციური კავშირების დამყარება, შემოქმედებითობის წახალისება და ემპათიის გამოვლენა - ის ასპექტები, რომელთა ჩანაცვლებაც ტექნოლოგიას არ შეუძლია (Charisi 2026, 7; Dhupal 2026, 3).

პედაგოგის როლის ცვლილებას არსებითად განაპირობებს შეფასებისა და უკუკავშირის პროცესების ავტომატიზაცია. ადმინისტრაციული დავალებების შესრულება, როგორიცაა ნაშრომების გასწორება და შეფასება, ტრადიციულად პედაგოგის დროის დიდ ნაწილს იკავებდა (Bryant 2020, 3). მაკინზის კვლევის მიხედვით, მასწავლებლები კვირაში საშუალოდ 50 საათს მუშაობენ, საიდანაც მხოლოდ 49% იხარჯება სტუდენტებთან პირდაპირ ინტერაქციაზე, ხოლო დანარჩენი დრო მოსამზადებელ, შეფასებისა და ადმინისტრაციულ საქმიანობაზე ნაწილდება (Bryant 2020, 3). კვლევა აჩვენებს, რომ ტექნოლოგიის ეფექტიან გამოყენებას შეუძლია შეფასებასა და უკუკავშირზე დახარჯული დრო კვირაში 6.5 საათიდან თითქმის განახევრებით, 3.5 საათამდე შეამციროს, ხოლო მოსამზადებელ აქტივობებზე დახარჯული დრო 11 საათიდან 6 საათამდე (Bryant 2020, 4). ეს დროის დიდი რესურსია, რომელიც პედაგოგებს სტუდენტების ინდივიდუალურ საჭიროებებსა და მათთან მუშაობაზე მეტი ყურადღების დათმობის საშუალებას აძლევს.

ავტომატიზებული შეფასების სისტემები, დროის დაზოგვის გარდა, სხვა საყურადღებო უპირატესობებსაც ქმნის. ერთ-ერთი მათგანი სუბიექტურობის შემცირება და შეფასების პროცესის გამჭვირვალობის ზრდაა. ტალინის ტექნოლოგიური უნივერსიტეტის 2022 წლის კვლევამ დაადასტურა, რომ ავტომატიზებულმა სისტემებმა შეფასებისას სუბიექტური ფაქტორების გავლენა საგრძნობლად შეამცირა (ბენაშვილი 2025, 5). ამასთან, Turnitin-ის 2023 წლის კვლევის მიხედვით, იმ უნივერსიტეტებში, სადაც შეფასების სისტემა ნაწილობრივ ავტომატიზებული იყო, სტუდენტთა კმაყოფილების დონე 40%-ით გაიზარდა (ბენაშვილი 2025, 7). ხელოვნური ინტელექტის ალგორითმებს შეუძლიათ გააანალიზონ სტუდენტების პასუხები წინასწარ განსაზღვრული კრიტერიუმების მიხედვით, რაც შეფასების პროცესს უფრო თანმიმდევრულსა და სამართლიანს ხდის (Mureșan 2023, 2). თუმცა, მკვლევარები იმასაც აღნიშნავენ, რომ შეფასების სრულმა ავტომატიზაციამ შესაძლოა შემოქმედებითი ნაშრომების ფორმალიზება გამოიწვიოს,

ამიტომ ისინი მხარს უჭერენ ჰიბრიდულ მოდელს, სადაც AI პედაგოგს ეხმარება და არა ცვლის მის ექსპერტულ გადაწყვეტილებას (ბენაშვილი 2025, 5).

შეფასების ავტომატიზაციასთან მჭიდრო კავშირშია მომენტალური უკუკავშირის შესაძლებლობა, რაც სწავლის პროცესის ეფექტიანობისთვის გადამწყვეტია. ტრადიციულ საგანმანათლებლო მოდელში სტუდენტს ნაშრომზე უკუკავშირის მისაღებად შესაძლოა დღეები ან კვირებიც კი დასჭირვებოდა, რა დროსაც დაშვებული შეცდომის გამოსწორება და სწორი კონცეფციის ათვისება რთულდება (Salazar Gómez 2025, 2). ხელოვნური ინტელექტის სისტემებს, მაგალითად, „ინტელექტუალურ ტუტორებს“, შეუძლიათ სტუდენტის კითხვებს უპასუხონ, დამატებითი განმარტებები და რესურსები შესთავაზონ და რეალურ დროში გაუწიონ მას დახმარება (Mureșan 2023, 2). ასეთი სისტემები მყისიერად ამოიცნობენ სტუდენტის სუსტ მხარეებს და ავტომატურად ადაპტირებენ სასწავლო მასალას ინდივიდუალური პროგრესის გასაუმჯობესებლად (Mureșan 2023, 2). მომენტალური უკუკავშირი სტუდენტს საშუალებას აძლევს, დაუყოვნებლივ გაიაზროს დაშვებული შეცდომა და ჩამოიყალიბოს შესასწავლი საკითხის სწორი მენტალური მოდელი, რაც ცოდნის მდგრადობას არსებითად აუმჯობესებს (Salazar Gómez 2025, 2).

შეფასებისა და უკუკავშირის მიღმა, AI საგრძნობლად ამცირებს პედაგოგების ადმინისტრაციულ დატვირთვასაც. რუტინული ამოცანების ავტომატიზაცია, როგორიცაა აკადემიური ჩანაწერების მართვა, მონაცემთა დამუშავება და კომუნიკაცია, პედაგოგებს ბიუროკრატიული ტვირთისგან ათავისუფლებს (ბენაშვილი 2025, 6). მაკინზის კვლევის თანახმად, ადმინისტრაციულ საქმიანობაზე დახარჯული დრო, რომელიც კვირაში საშუალოდ 5 საათს შეადგენს, ავტომატიზაციის მეშვეობით შესაძლოა 3 საათამდე შემცირდეს (Bryant 2020, 4). მაგალითად, Microsoft Copilot-ის დანერგვამ რამდენიმე ევროპულ უნივერსიტეტში ადმინისტრაციული ოპერაციების შესრულების დრო საშუალოდ 30%-ით შეამცირა (ბენაშვილი 2025, 7). შედეგად, უნივერსიტეტებსა და პედაგოგებს საშუალება ეძლევათ, გამოთავისუფლებული რესურსები, როგორც ფინანსური, ისე დროითი, უშუალოდ განათლების ხარისხის გაუმჯობესებაზე, კვლევით და ინოვაციურ საქმიანობაზე მიმართონ (ბენაშვილი 2025, 6).

კითხვა, თუ რაში უნდა გამოიყენონ პედაგოგებმა ხელოვნური ინტელექტის წყალობით გამოთავისუფლებული დრო, კვლევის ერთ-ერთი ცენტრალური საკითხია. ექსპერტები თანხმდებიან, რომ ეს დრო პირველ რიგში სტუდენტებთან უფრო მჭიდრო და ინდივიდუალური მუშაობისთვის უნდა იქნეს გამოყენებული (Bryant 2020, 5). გამოკითხული მასწავლებლების დაახლოებით მესამედი აცხადებს, რომ სურთ სწავლების პერსონალიზაცია, თუმცა ამის ეფექტიანად განხორციელებას დროის, რესურსებისა და ტექნოლოგიების სიმცირე უშლით ხელს (Bryant 2020, 5). ავტომატიზაცია სწორედ ამ ბარიერების მოხსნაში ეხმარება მათ. გამოთავისუფლებული დრო შეიძლება მოხმარდეს სტუდენტების ინდივიდუალურ კოუჩინგს, მენტორინგს, სოციალურ-ემოციური უნარების განვითარებაზე ზრუნვას და იმ პერსონალიზებული უკუკავშირის მიწოდებას, რომლის დეფიციტსაც თავად სტუდენტები ხშირად განიცდიან. აღსანიშნავია, რომ მართალია, გამოკითხულ მასწავლებელთა 60%-ს სჯეროდა, რომ მათ მიერ მიწოდებული უკუკავშირი პერსონალიზებულია, ამ მოსაზრებას სტუდენტების მხოლოდ 44% იზიარებდა (Bryant 2020, 5). ეს სხვაობა ხაზს უსვამს პედაგოგის მეტი ჩართულობის საჭიროებას.

საბოლოოდ, გასააზრებელია, რომ ხელოვნური ინტელექტი პედაგოგის შემცვლელი არ არის, იგი მისი საქმიანობის გამაძლიერებელი ინსტრუმენტია (Trucano 2025, 2; Dhupal 2026, 1). ტექნოლოგიური პროგრესის მიუხედავად, ადამიანური ფაქტორი - ემოციური კავშირი, ემპათია, კონტექსტის გააზრება და შთაგონების უნარი - განათლების ქვაკუთხედად რჩება (Charisi 2026, 7; Dhupal 2026, 3). როგორც ექსპერტები აღნიშნავენ, AI-ს ინტეგრაციის მიზანია პედაგოგების გაძლიერება და არა მათი როლის დაკნინება (Trucano 2025, 2). ტექნოლოგია მათ რუტინული და ადმინისტრაციული სამუშაოსგან ათავისუფლებს, რათა მათ შეძლონ ყურადღების გამახვილება იმ უნიკალურ ადამიანურ უნარებზე, რომელთა ავტომატიზებაც შეუძლებელია: სტუდენტების მოტივირება, მათთან ნდობაზე დაფუძნებული ურთიერთობის ჩამოყალიბება და კრიტიკული და შემოქმედებითი აზროვნების წახალისება. შესაბამისად, მომავლის საგანმანათლებლო სისტემის წარმატება დამოკიდებული იქნება იმაზე, თუ რამდენად ჰარმონიულად მოხდება ადამიანური ექსპერტიზისა და ხელოვნური ინტელექტის შესაძლებლობების სინთეზი.

ხელოვნური ინტელექტის საგანმანათლებლო სისტემაში დანერგვა, ტექნოლოგიურ სარგებელთან ერთად, არაერთ ეთიკურ გამოწვევას აჩენს, რომელთა იგნორირებაც შეუძლებელია. ამ პროცესში, როგორც მკვლევარები, პედაგოგები და პოლიტიკის განმსაზღვრელები თანხმდებიან, განსაკუთრებით მწვავედ დგას მონაცემთა კონფიდენციალურობისა და ალგორითმული მიკერძოების პრობლემები (Holmes 2026, 6). საგანმანათლებლო პროცესში ხელოვნური ინტელექტის გამოყენებისას ეს რისკები კიდევ უფრო მწვავდება, რადგან მომხმარებელთა დიდი ნაწილი არასრულწლოვანია, რაც სისტემას დამატებით პასუხისმგებლობას აკისრებს. შესაბამისად, აუცილებელია ამ საკითხების სიღრმისეული ანალიზი, რათა ტექნოლოგიური პროგრესი ადამიანურ ღირებულებებსა და ეთიკურ ნორმებს არ დაუპირისპირდეს.

სტუდენტთა პერსონალური მონაცემების დაცვა ერთ-ერთი მთავარი საზრუნავია. ხელოვნური ინტელექტის სისტემები, განსაკუთრებით პერსონალიზებული სწავლების პლატფორმები, ეფექტიანად ფუნქციონირებისთვის დიდი მოცულობის მონაცემებს საჭიროებს, მათ შორის, ინფორმაციას სტუდენტის აკადემიური მოსწრებისა და ქცევითი თავისებურებების შესახებაც კი (Navigating the future of AI in education and education in AI n.d., 22). ამ მონაცემების შეგროვება და შენახვა დიდ რისკებს შეიცავს, როგორიცაა მონაცემთა ბაზების გატეხვა ან ინფორმაციის არასანქცირებული გამოყენება (Alshugran 2024, 1). განსაკუთრებით საგანგაშოა კორპორაციების მიერ სტუდენტთა ინტერაქციის შესახებ მონაცემების კომერციული მიზნებით შეგროვება, რაც ფაქტობრივად არასრულწლოვანთა ექსპლუატაციას უტოლდება (Holmes 2026, 7). ზოგიერთი მკვლევარი ამ პრაქტიკას „მონაცემთა კოლონიალიზმსაც“ კი უწოდებს, როდესაც გლობალური ჩრდილოეთის კომპანიების მიერ შეთავაზებული უფასო საგანმანათლებლო ტექნოლოგიები აფრიკის, აზიის ან ლათინური ამერიკის სკოლებიდან მონაცემებს აგროვებენ და სხვაგან კომერციული სარგებლისთვის იყენებენ (Dinesh Deckker 2025, 7).

მონაცემთა მასშტაბურ შეგროვებას მხოლოდ ტექნიკური და კომერციული რისკები არ ახლავს, მას ფსიქოლოგიური განზომილებაც აქვს. როდესაც სტუდენტის ყველა აქტივობა - კლავიატურაზე თითის დაჭერა, მზერის მიმართულება თუ ქცევა - აღირიცხება და ანალიზდება, ეს „ციფრული ზედამხედველობის“ ანუ „ციფრული პანოპტიკონის“ განცდას ქმნის (ბენაშვილი 2025, 10; Holmes 2026, 8). მუდმივი მონიტორინგის ქვეშ ყოფნამ შესაძლოა სტუდენტებში შფოთვა და უნდობლობის ატმოსფერო წარმოქმნას, რაც, თავის მხრივ, შემოქმედებითობასა და თავისუფალ აზროვნებას ზღუდავს (Holmes 2026, 8). პრობლემა ისიცაა, რომ სტუდენტებს ხშირად არ აქვთ კონტროლი იმ მონაცემებზე, რომლებიც მათ შესახებ გროვდება, რაც მონაცემთა მფლობელობის საკითხს ბუნდოვანს ხდის (ბენაშვილი 2025, 10).

ამ გამოწვევების საპასუხოდ, საერთაშორისო დონეზე აქტიურად მუშაობენ როგორც რეგულაციურ, ისე ტექნოლოგიურ გადაწყვეტებზე. მაგალითად, ევროკავშირის ხელოვნური ინტელექტის აქტი განათლებას „მაღალი რისკის“ სფეროდ კლასიფიცირებს და ტექნოლოგიების მომწოდებლებსა და საგანმანათლებლო დაწესებულებებს გამჭვირვალობის, მიკვლევადობისა და ადამიანური ზედამხედველობის მკაცრ ვალდებულებებს უწესებს (Borgonovi 2025, 53; ბენაშვილი 2025, 13). პარალელურად, ინერგება ისეთი ტექნიკური მიდგომები, როგორიცაა მონაცემთა ანონიმიზაცია, დიფერენციალური კონფიდენციალურობა და დაშიფვრა (Alshugran 2024, 2). საინტერესოა ჰიბრიდული მოდელების იდეაც, სადაც მცირე, ლოკალური ენობრივი მოდელი (SLM) ჯერ შლის პერსონალურ საიდენტიფიკაციო ინფორმაციას და მხოლოდ ამის შემდეგ უგზავნის მოთხოვნას დიდ, ღრუბლოვან მოდელს, როგორიცაა ChatGPT (Alshugran 2024, 1). ამასთან, „მონაცემთა მინიმიზაციის“ პრინციპიც, ანუ მხოლოდ აუცილებელი მონაცემების შეგროვება, გადამწყვეტია (Holmes 2026, 7).

მონაცემთა მფლობელობის საკითხი კულტურულ ჭრილშიც განიხილება. მაგალითად, კანადის ადგილობრივი ერების მიერ შემუშავებული OCAP-ის ჩარჩო (Ownership, Control, Access, and Possession - მფლობელობა, კონტროლი, წვდომა და ფლობა) ამტკიცებს, რომ მონაცემები, რომლებიც ამ თემებს ეხება, თავად მათ მიერვე უნდა იმართებოდეს (Dinesh Deckker 2025, 7-8). ეს იდეა, რომელიც „მონაცემთა სუვერენიტეტის“ სახელითაა ცნობილი, უპირისპირდება დასავლურ მოდელს, სადაც

მონაცემები ინდივიდუალურ აქტივად მოიაზრება. მაგალითად, მაორის ხალხის კონცეფცია „whakapapa“ ცოდნას გენეალოგიურ და სულიერ ურთიერთობებში ათავსებს, სადაც სტუდენტის მონაცემები წინაპრებისა და შთამომავლების მემკვიდრეობაა და არა მხოლოდ პიროვნების საკუთრება (Dinesh Deckker 2025, 8). ეს მაგალითები ცხადყოფს, რომ ეთიკური ჩარჩოები კულტურულად მგრძნობიარე და ადაპტირებადი უნდა იყოს.

კონფიდენციალურობის გარდა, არანაკლებ სერიოზულ გამოწვევას წარმოადგენს ალგორითმული მიკერძოება. ხელოვნური ინტელექტის მოდელები იმ მონაცემებზე სწავლობენ, რომლებითაც მათ „კვებავენ“, და თუ ეს მონაცემები საზოგადოებაში არსებულ სოციალურ, რასობრივ თუ გენდერულ უთანასწორობას ასახავს, ალგორითმი ამ მიკერძოებას ისწავლის, გააძლიერებს და გაამრავლებს (Stinar 2022, 4). ხელოვნური ინტელექტის მიერ მიღებული შედეგი მხოლოდ იმდენად სამართლიანი იქნება, რამდენადაც სამართლიანი იყო მისი საწვრთნელი მონაცემთა ბაზა (Borgonovi 2025, 53).

მიკერძოების კონკრეტული მაგალითები საგანმანათლებლო კონტექსტში მრავლადაა. თუ საწვრთნელი მონაცემები არ მოიცავს არამშობლიურ ენაზე მოსაუბრე ან ნეიროგანსხვავებული პროფილის მქონე სტუდენტებს, მოდელი მათთვის ნაკლებად ეფექტიანი იქნება (Holmes 2026, 7). ასევე, არსებობს საფრთხე, რომ სისტემამ გარკვეული დემოგრაფიული ჯგუფები დაბალ აკადემიურ მოსწრებასთან დააკავშიროს, რაც „სტერეოტიპული საფრთხის“ ფენომენს წარმოშობს (Holmes 2026, 7). მაგალითად, ალგორითმულმა ენობრივმა შეფასებებმა შესაძლოა „დასაჯოს“ არასტანდარტული დიალექტების მქონე სტუდენტები (Dinesh Deckker 2025, 8). პრობლემურია ისიც, რომ ზოგიერთი მათემატიკის სახელმძღვანელო, რომელიც მოდელების საწვრთნელად გამოიყენება, თავად შეიცავს თხრობას, რომელიც მარგინალურ ჯგუფებს კიდევ უფრო არასახარბიელო მდგომარეობაში აყენებს (Borgonovi 2025, 53).

საინტერესოა, რომ ზოგჯერ მიკერძოების შემცირების მცდელობამაც კი შეიძლება არასასურველი შედეგი გამოიღოს. როგორც ერთ-ერთი კვლევა აჩვენებს, ალგორითმული უსამართლობის აღმოფხვრის მეთოდების გამოყენებამ შესაძლოა ჯგუფების ზედმეტი განზოგადება გამოიწვიოს. შედეგად, დახმარება შესაძლოა ვერ მიიღოს სტუდენტმა, რომელსაც ის რეალურად სჭირდება, და მიიღოს მან, ვისთვისაც ეს

აუცილებელი არ არის. ეს ხდება არა მოდელის უზუსტობის, არამედ „სამართლიანობის“ კორექტირების სტრატეგიის გამო (Stinar 2022, 4). ეს კი იმას ნიშნავს, რომ მსგავსი მეთოდები დიდი სიფრთხილით უნდა გამოვიყენოთ.

პრობლემას კიდევ უფრო ართულებს ის, რომ ბევრი კომერციული AI სისტემა „შავი ყუთის“ პრინციპით მუშაობს, რაც იმას ნიშნავს, რომ მათი შიდა მექანიზმები დახურული და გაუმჭვირვალეა (Borgonovi 2025, 53). ეს ალგორითმის მიერ კონკრეტული გადაწყვეტილების მიღების საფუძვლის დადგენას თითქმის შეუძლებელს ხდის. გამჭვირვალობის არარსებობა სერიოზულად აფერხებს მიკერძოების აღმოჩენასა და აღმოფხვრას, ასევე ართულებს პასუხისმგებლობის საკითხის განსაზღვრას.

ამ ეთიკური გამოწვევების ფონზე, ყალიბდება ძირითადი პრინციპები, რომლებიც ხელოვნური ინტელექტის პასუხისმგებლიან გამოყენებას უნდა უზრუნველყოფდეს. უმთავრესი მათ შორის „ადამიანზე ცენტრირებული მიდგომაა“, რასაც UNESCO-ც უსვამს ხაზს - ტექნოლოგია უნდა ემსახურებოდეს ადამიანის განვითარებას და არა პირიქით (ბენაშვილი 2025, 12; Yo Undersecretary for Academic and Programmatic Affairs 2024, 13). ხელოვნურმა ინტელექტმა ადამიანური განსჯა და კრიტიკული აზროვნება უნდა გააძლიეროს და არა - ჩაანაცვლოს. ამიტომ, აუცილებელია „ადამიანი მართვის პროცესში“ (human-in-command) პრინციპის დაცვა, რაც გულისხმობს, რომ საბოლოო გადაწყვეტილება ყოველთვის ადამიანმა უნდა მიიღოს (Holmes 2026, 6; ბენაშვილი 2025, 13).

სხვა პრინციპები მოიცავს გამჭვირვალობასა და ახსნადობას, რაც პედაგოგებსა და სტუდენტებს სისტემის მიერ მიღებული გადაწყვეტილების მიზეზების გაგების საშუალებას მისცემს (Holmes 2026, 7). ასევე, აუცილებელია ანგარიშვალდებულების მექანიზმების შექმნა. მაგალითად, ევროკავშირის ხელოვნური ინტელექტის აქტის მიხედვით, დარღვევებზე პასუხისმგებლობა თანაბრად ეკისრება როგორც უნივერსიტეტს, ისე ტექნოლოგიის მიმწოდებელს (ბენაშვილი 2025, 13). ამასთანავე, ეთიკური ჩარჩოების შემუშავებისას აუცილებელია კულტურული მრავალფეროვნების გათვალისწინება და მონაწილეობითი მმართველობის ხელშეწყობა, სადაც პროცესში ჩართულნი იქნებიან პედაგოგები, სტუდენტები, მშობლები და სოციალური პარტნიორები (Borgonovi 2025, 53).

საბოლოოდ, მონაცემთა კონფიდენციალურობისა და ალგორითმული მიკერძოების პრობლემები ერთმანეთთან მჭიდროდ არის დაკავშირებული. სისტემა, რომელიც უკონტროლოდ აგროვებს პერსონალურ მონაცემებს, ადვილად შეიძლება იქცეს მიკერძოებული ზედამხედველობისა და დისკრიმინაციის ინსტრუმენტად. გარდა ამისა, ამ გამოწვევებს ემატება სოციალური უთანასწორობის ზრდის რისკი, როგორიცაა „ხელოვნური ინტელექტის დაყოფა“ (AI divide), როდესაც შეძლებულ სტუდენტებს კვლავ ეყოლებათ ცოცხალი მასწავლებლები, ხოლო ნაკლებად პრივილეგირებულები კომპიუტერულ პროგრამებს უნდა დასჯერდნენ (Holmes 2026, 7-8). ამრიგად, ხელოვნური ინტელექტის ეთიკური ინტეგრაცია მოითხოვს რთულ მიდგომას, რომელიც აერთიანებს ტექნოლოგიურ გადაწყვეტებს, მყარ სამართლებრივ ჩარჩოებსა და ადამიანზე ორიენტირებული ღირებულებებისადმი ერთგულებას.

საქართველოში ხელოვნური ინტელექტის (AI) საგანმანათლებლო სისტემაში ინტეგრაციის საკითხი სულ უფრო აქტუალური ხდება, რაც ხელისუფლების სტრატეგიულ ინტერესებსა და აკადემიურ წრეებში მიმდინარე პროცესებს უკავშირდება. საქართველოს მთავრობის 2025-2028 წლების პროგრამა პირდაპირ მიუთითებს ხელოვნური ინტელექტის სისტემების განვითარების მხარდაჭერაზე, რადგან მას მოქალაქეებისა და ეკონომიკისთვის საგრძნობი სარგებლის მოტანა შეუძლია (საქართველოს მთავრობა, 2024, გვ. 33). ეს ხედვა ემთხვევა ქვეყნის ზოგად ციფრული გარდაქმნის კურსს, რომელიც ევროკავშირის ერთიან ციფრულ ბაზართან დაახლოებას ისახავს მიზნად (საქართველოს მთავრობა, 2024, გვ. 34). შესაბამისად, AI-ის დანერგვა განათლებაში ეროვნული მასშტაბის ამოცანად განიხილება. ამავე დროს, ეს პროცესი არსებითია საქართველოს მსგავსი განვითარებადი ქვეყნებისთვის, სადაც ტექნოლოგიური ინტეგრაცია ჯერ კიდევ ჩამოყალიბების ეტაპზეა და შესაბამისი პოლიტიკის დროულად შემუშავებას გადამწყვეტი მნიშვნელობა აქვს (ბენაშვილი, 2025, გვ. 22).

აღნიშნული სტრატეგიული ხედვა კონკრეტულ ნაბიჯებშიც აისახება. სამთავრობო პროგრამა უმაღლესი განათლების სფეროში საგრძნობი ცვლილებების განხორციელებას

გეგმავს, მათ შორის, საგანმანათლებლო დაწესებულებების ინფრასტრუქტურის სრულ განახლებას, დაფინანსების ახალი მოდელის შემუშავებასა და ქვეყნის საჭიროებებიდან გამომდინარე პრიორიტეტული პროგრამების განსაზღვრას (საქართველოს მთავრობა, 2024, გვ. 55). თუმცა, ზოგადი პოლიტიკური კურსის მიუხედავად, ხელოვნური ინტელექტის ინტეგრაციის წარმატება დიდწილად ცალკეული უნივერსიტეტების მზაობასა და მათ მიერ შემუშავებულ სტრატეგიებზეა დამოკიდებული. სწორედ ამის გამო საინტერესოა, თუ როგორ პასუხობენ კონკრეტული უმაღლესი სასწავლებლები ამ გამოწვევას და რა პრაქტიკული ნაბიჯები იდგმება აკადემიურ დონეზე.

ამ მხრივ, საჩვენებელია ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტის მაგალითი, რომელმაც 2026-2029 წლებისთვის ხელოვნური ინტელექტის საუნივერსიტეტო სტრატეგია შეიმუშავა (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 1). ეს დოკუმენტი ცხადყოფს, რომ AI-ის გამოყენება უნივერსიტეტში უკვე გასცდა ექსპერიმენტულ ფაზას და სისტემურ ხასიათს იძენს. 2025 წელს ჩატარებული შიდა საუნივერსიტეტო კვლევებით, სტუდენტების 94% აქტიურად იყენებს ChatGPT-ს, ხოლო აკადემიური და ადმინისტრაციული პერსონალის 80%-ზე მეტი AI-ს დღეში მინიმუმ ერთი სამუშაო დავალების შესასრულებლად მიმართავს (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 11, 15). ეს მონაცემები ტექნოლოგიის ღრმა შეღწევაზე მიუთითებს, რაც უნივერსიტეტს აიძულებს, მისი გამოყენების პროცესი დაშვებასთან ერთად მართოს კიდეც.

ტექნოლოგიის აქტიური გამოყენება აკადემიურ სივრცეში არაერთ გამოწვევასა და შეშფოთებას აჩენს. თსუ-ში ჩატარებული კვლევის თანახმად, აკადემიური პერსონალისთვის ყველაზე დიდ საზრუნავს აკადემიური არაკეთილსინდისიერება და პლაგიატი წარმოადგენს, რასაც რესპონდენტთა 75.2% აღნიშნავს. ამას მოსდევს შიში სტუდენტებში კრიტიკული აზროვნების დათრგუნვის (52.7%) და სიღრმისეული ცოდნის ზედაპირულით ჩანაცვლების (47.3%) თაობაზე (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 15). ეს შეშფოთება სრულად შეესაბამება საერთაშორისო კვლევებში გამოკვეთილ ტენდენციებს, რომლებიც მიუთითებს, რომ ტექნოლოგიაზე გადაჭარბებულმა დამოკიდებულებამ შესაძლოა შეამციროს სტუდენტთა დამოუკიდებელი აზროვნების უნარი (ბენაშვილი, 2025, გვ. 4-7). აღსანიშნავია, რომ ამ

ეთიკურ დილემას თავად სტუდენტებიც აცნობიერებენ: თსუ-ს სტუდენტების 74% მხარს უჭერს ისეთი ვალდებულების შემოღებას, რომელიც მათ ნაშრომში AI-ის გამოყენების მითითებას დაავალდებულებდა (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 15).

აკადემიური პატიოსნების საკითხი ხელოვნური ინტელექტის ეპოქაში ახალ განზომილებას იძენს, რადგან რთულდება საზღვრის გავლება ადამიანის ინტელექტუალურ წვლილსა და ალგორითმის მიერ გენერირებულ შინაარსს შორის. ამიტომ მსოფლიოს წამყვანი უნივერსიტეტები, მაგალითად კემბრიჯი, ნერგავენ „AI Disclosure“ პოლიტიკას, რომელიც სტუდენტებს ავალდებულებს, მიუთითონ გენერაციული ინსტრუმენტების გამოყენების ყველა შემთხვევა (ბენაშვილი, 2025, გვ. 6-10). თსუ-ს სტრატეგიის რისკების მართვის ნაწილშიც ერთ-ერთ მთავარ გამოწვევად AI-ით გენერირებული ნაშრომები და პლაგიატი სახელდება, რის საპასუხოდაც კონტროლის მექანიზმად AI-ის გამოყენების დეკლარირება, შეფასების დიზაინის განახლება და ცნობიერების ამაღლებაა შემოთავაზებული (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 22). ეს პრობლემა გლობალურია, რადგან Turnitin- ისა და GPTZero-ს 2024 წლის კვლევამ აჩვენა, რომ საუნივერსიტეტო დარღვევების 39% სწორედ AI-ის მიერ გენერირებულ ტექსტს უკავშირდებოდა (ბენაშვილი, 2025, გვ. 6-10).

ეთიკური და აკადემიური გამოწვევების გარდა, საქართველოს საგანმანათლებლო სისტემა სტრუქტურული და სისტემური ბარიერების წინაშეც დგას. თსუ-ს სტრატეგიაში წარმოდგენილი SWOT ანალიზი უნივერსიტეტის სუსტ მხარეებს შორის ასახელებს „არასაკმარის ციფრულ ინფრასტრუქტურასა“ და „რთულ ბიუროკრატიულ ორგანიზაციულ პროცესებს“, ხოლო მთავარ საფრთხედ განიხილავს „AI-ს გამოყენების ეთიკური და სამართლებრივი ჩარჩოების არ არსებობას სახელმწიფო დონეზე“ (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 22). ეს პრობლემები ზუსტად ასახავს იმ საერთაშორისო გამოწვევებს, რომლებიც განსაკუთრებით მწვავედ დგას შეზღუდული რესურსების მქონე დაწესებულებებში. კვლევები ადასტურებს, რომ AI სისტემების დანერგვასთან დაკავშირებული ფინანსური დანახარჯები, ტექნიკური ინფრასტრუქტურის საჭიროება და პედაგოგთა მზაობის

ნაკლებობა საგრძნობლად აფერხებს ტექნოლოგიის თანაბარ და სამართლიან ინტეგრაციას (Spector, 2025, გვ. 11-13; Vorobyeva, 2025, გვ. 2-4).

სახელმწიფო დონეზე ერთიანი სამართლებრივი ჩარჩოს არარსებობა ქმნის მარეგულირებელ ვაკუუმს, რომლის პირობებშიც უნივერსიტეტები იძულებულნი არიან, დამოუკიდებლად შეიმუშაონ შიდა პოლიტიკა. ეს პროცესი კი, შესაძლოა, ფრაგმენტული და არათანმიმდევრული აღმოჩნდეს. მონაცემთა უსაფრთხოება და კონფიდენციალურობა კიდევ ერთი არსებითი საკითხია. AI სისტემები უზარმაზარი მოცულობის სენსიტიურ სტუდენტურ მონაცემებს ამუშავებს, რაც მათ დაცვას აუცილებელს ხდის (Spector, 2025, გვ. 11). თსუ-ს რისკების ანალიზში „პერსონალური მონაცემების გაჟონვა“ მაღალი გავლენის მქონე საფრთხედ არის შეფასებული, რომლის საპასუხოდაც უსაფრთხო პლატფორმებისა და წვდომის კონტროლის მექანიზმების დანერგვაა საჭირო (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 22). ევროკავშირის პოლიტიკაც, მათ შორის „ხელოვნური ინტელექტის აქტი“, მკაცრ მოთხოვნებს აწესებს საგანმანათლებლო სფეროში გამოყენებულ AI სისტემებზე, რაც საქართველოსთვის, როგორც ევროინტეგრაციის გზაზე მდგომი ქვეყნისთვის, დამატებით ვალდებულებებს აჩენს (Charisi, 2026, გვ. 10).

მიუხედავად არსებული ბარიერებისა, საქართველოს საგანმანათლებლო სისტემას გააჩნია გარკვეული შესაძლებლობები. თსუ-ს SWOT ანალიზის მიხედვით, უნივერსიტეტის ძლიერ მხარეებს შორისაა ინტენსიური საერთაშორისო თანამშრომლობა, კვალიფიციური აკადემიური პერსონალი და საუნივერსიტეტო საზოგადოების მაღალი მიმღებლობა ციფრული გარდაქმნისადმი (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 22). გარდა ამისა, ქვეყანაში იზრდება ინტერესი AI- ის კვლევისა და განვითარების მიმართ. ამის დასტურია საქართველოს მეცნიერებათა ეროვნული აკადემიისა და „ჰორიზონტი ევროპის“ საქართველოს ოფისის მიერ ორგანიზებული საერთაშორისო კონფერენცია, რომელიც AI-ის განათლებასა და მეცნიერებაში ინტეგრაციის საკითხებს ეძღვნება და ადგილობრივ და საერთაშორისო ექსპერტებს აერთიანებს (საქართველოს მეცნიერებათა ეროვნული აკადემია, 2025, გვ. 1).

ამ შესაძლებლობების რეალიზებისთვის გადამწყვეტია ადამიანურ კაპიტალში ინვესტირება. თსუ-ს მიერ ჩატარებულმა კვლევებმა აჩვენა, რომ სტუდენტების, აკადემიური და ადმინისტრაციული პერსონალის ყველა ჯგუფში გამოიკვეთა AI წიგნიერების გაზრდის მიზნით ტრენინგების ჩატარების მწვავე საჭიროება (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 15). პედაგოგთა მზაობის პრობლემა გლობალური გამოწვევაა, რადგან ბევრ მათგანს აკლია ტექნიკური უნარები AI ინსტრუმენტების ეფექტიანად გამოყენებისთვის, რაც ინტეგრაციის პროცესს ანელებს (Spector, 2025, გვ. 11; Osadcha, 2025, გვ. 1-3). ამ საჭიროების საპასუხოდ, თსუ-ს სამოქმედო გეგმა 2026 წლისთვის ითვალისწინებს ტრენერების გადამზადებას და შემდგომში სპეციალიზებული ტრენინგ-კურსების შეთავაზებას პერსონალისა და სტუდენტებისთვის (ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი, 2025, გვ. 23-24). ეს ნაბიჯი ცხადყოფს, რომ ტექნოლოგიური ინფრასტრუქტურის განვითარების პარალელურად, ადამიანური რესურსის მომზადებაც აუცილებელია.

საქართველოს საგანმანათლებლო სისტემაში ხელოვნური ინტელექტის ინტეგრაციის პროცესი რთული და წინააღმდეგობრივია. მართალია, არსებობს მკაფიო სტრატეგიული ხედვა და პოლიტიკური ნება ქვეყნის ციფრული გარდაქმნისთვის, რასაც ემატება აკადემიური საზოგადოების მზარდი ინტერესი და ცალკეული უნივერსიტეტების პროაქტიული ნაბიჯები, როგორიცაა თსუ-ს მიერ შემუშავებული სტრატეგია და სამოქმედო გეგმა, მაგრამ პროცესს სერიოზული სისტემური ბარიერები აფერხებს: არასაკმარისი ინფრასტრუქტურა, სახელმწიფო დონეზე ერთიანი საკანონმდებლო ჩარჩოს არარსებობა, პერსონალის გადამზადების საჭიროება და ეთიკური დილემები. ამიტომ, საქართველოს მზაობა AI-ის ეპოქისთვის დამოკიდებულია იმაზე, თუ რამდენად შეძლებს სახელმწიფო და აკადემიური სექტორი კოორდინირებულად იმუშაოს ამ გამოწვევების დასაძლევად და სტრატეგიული მიზნები პრაქტიკულ, მდგრად და ეთიკურად გამართულ ქმედებებად აქციოს.

წინამდებარე ნაშრომში გაანალიზდა ხელოვნური ინტელექტის როლი და გავლენა უმაღლესი განათლების სისტემაზე, შეფასდა მისი დადებითი და უარყოფითი მხარეები, გამოიკვეთა ძირითადი გამოწვევები და განხილულ იქნა საქართველოს საგანმანათლებლო სისტემის მზაობა ამ გლობალური გარდაქმნისთვის. კვლევის თანახმად, ხელოვნური ინტელექტი არის გარდამტეხი ძალა, რომელიც ძირეულად ცვლის სწავლების, სწავლისა და ადმინისტრირების ტრადიციულ მოდელებს და ქმნის როგორც უპრეცედენტო შესაძლებლობებს, ისე სერიოზულ ეთიკურ და პრაქტიკულ პრობლემებს.

კვლევის შედეგად გამოიკვეთა ხელოვნური ინტელექტის უმთავრესი უპირატესობები, რომელთაგან პირველი სწავლების პროცესის პერსონალიზაციაა. ადაპტური სასწავლო პლატფორმები, რომლებიც მანქანურ სწავლებასა და მონაცემთა ანალიზს ეფუძნება, თითოეული სტუდენტის ცოდნის დონეს, სწავლის ტემპსა და საჭიროებებს ერგება. კვლევის მონაცემები ადასტურებს, რომ ასეთი მიდგომა საგრძნობლად ზრდის სწავლის ეფექტიანობას, სტუდენტთა მოტივაციასა და აკადემიურ შედეგებს. მეორე არსებითი სარგებელი ადმინისტრაციული და პედაგოგიური პროცესების ავტომატიზაციაა. რუტინული ამოცანების, მაგალითად, ნაშრომების შეფასების, ცხრილების შედგენისა თუ სტუდენტთა მოთხოვნების დამუშავების, ავტომატიზაცია პედაგოგებსა და ადმინისტრაციას დროსა და რესურსებს უზოგავს. ეს მათ საშუალებას აძლევს, მეტი ყურადღება დაუთმონ უფრო ფასეულ საქმიანობას - სტუდენტებთან ინდივიდუალურ მუშაობას, მენტორინგსა და კვლევას. შესაბამისად, იცვლება პედაგოგის როლიც: ცოდნის უბრალო გადამცემიდან ის სასწავლო პროცესის ფასილიტატორად, მენტორად და კრიტიკული აზროვნების ხელშემწყობად გარდაიქმნება.

ნაშრომში დეტალურად არის გაანალიზებული ის ძირითადი ტექნოლოგიები, რომლებიც ამ შესაძლებლობებს განაპირობებს. მანქანური სწავლების სხვადასხვა პარადიგმა, ღრმა სწავლების არქიტექტურები, მაგალითად, კონვოლუციური და რეკურენტული ნერვული ქსელები, და განსაკუთრებით ტრანსფორმერებზე დაფუძნებული დიდი ენობრივი მოდელები, თანამედროვე საგანმანათლებლო AI

სისტემების ბირთვს წარმოადგენს. ამ ტექნოლოგიებზე დაფუძნებულმა გენერაციულმა ხელოვნურმა ინტელექტმა კი სრულიად ახალი შესაძლებლობები შექმნა შინაარსის გენერირების, იდეების დამუშავებისა და რთული პრობლემების გადაჭრის თვალსაზრისით.

აგრეთვე, კვლევამ აჩვენა, რომ ტექნოლოგიურ პროგრესს თან ახლავს სერიოზული რისკები. გამოიკვეთა ორი ძირითადი ეთიკური საკითხი: მონაცემთა კონფიდენციალურობა და ალგორითმული მიკერძოება. პერსონალიზებული სისტემები სტუდენტების შესახებ უზარმაზარი მოცულობის სენსიტიურ მონაცემებს აგროვებენ, რაც მათი არასანქცირებული გამოყენების, კომერციული ექსპლუატაციისა და „ციფრული ზედამხედველობის“ რისკებს ქმნის. ალგორითმული მიკერძოება კი, რომელიც საწვრთნელ მონაცემებში არსებული სოციალური უთანასწორობის შედეგია, საფრთხეს უქმნის საგანმანათლებლო თანასწორობას და შესაძლოა, კიდევ უფრო გააღრმავოს არსებული სოციალური დისბალანსი. ამ ეთიკურ დილემებს პრაქტიკული პრობლემებიც ემატება, მათ შორის, აკადემიური არაკეთილსინდისიერების ზრდა, სტუდენტებში კრიტიკული აზროვნების უნარების შესაძლო დაქვეითება და დეზინფორმაციის გავრცელების საფრთხე.

საქართველოში არსებული ვითარების ანალიზით ირკვევა, რომ ქვეყანა ამ გლობალური გარდაქმნის საწყის ეტაპზეა. მართალია, არსებობს პოლიტიკური ნება და სტრატეგიული ხედვა ციფრული ცვლილებების შესახებ, ხოლო ცალკეული უნივერსიტეტები, მაგალითად, თბილისის სახელმწიფო უნივერსიტეტი, უკვე დგამენ პროაქტიულ ნაბიჯებს შიდა სტრატეგიების შემუშავების თვალსაზრისით, მაგრამ პროცესს სერიოზული სისტემური ბარიერები აფერხებს. ესენია: სახელმწიფო დონეზე ერთიანი საკანონმდებლო და ეთიკური ჩარჩოს არარსებობა, არასაკმარისი ციფრული ინფრასტრუქტურა და, უმთავრესად, პედაგოგებისა და სტუდენტების AI წიგნიერების დაბალი დონე. კვლევის მიხედვით, ტექნოლოგიის მაღალი მოხმარების მიუხედავად, საზოგადოებაში ძლიერია შეშფოთება აკადემიურ პატიოსნებასა და სწავლების ხარისხზე AI-ის უარყოფითი გავლენის გამო.

საბოლოოდ, ნაშრომის ანალიზიდან გამომდინარე, ხელოვნური ინტელექტის წარმატებული ინტეგრაცია საგანმანათლებლო სისტემაში მოითხოვს ინოვაციურ შესაძლებლობებსა და ეთიკურ რისკებს შორის სტრატეგიული ბალანსის პოვნას და არა ტექნოლოგიების ბრმა დანერგვას. ხელოვნური ინტელექტი უნდა აღვიქვათ მძლავრ ინსტრუმენტად, რომელიც ადამიანის შესაძლებლობებს აძლიერებს და არა ანაცვლებს. მისი პოტენციალის სრულად რეალიზებისთვის აუცილებელია, ტექნოლოგიური პროგრესი მყარ ეთიკურ პრინციპებს, გამჭვირვალობისა და ანგარიშვალდებულების მექანიზმებსა და, უმთავრესად, ადამიანზე ორიენტირებულ მიდგომას დაეფუძნოს. ამ მიდგომის მიზანი განათლების ძირითადი ფასეულობების - კრიტიკული აზროვნების, შემოქმედებითობისა და პიროვნული ზრდის - შენარჩუნება და განმტკიცებაა.