Исследование направлено на выявление и систематизацию этических рисков, возникающих при внедрении технологий искусственного интеллекта в образовательный процесс технических университетов, а также на обоснование мер по их минимизации с учетом академических ценностей и институциональных ограничений. Эмпирико-теоретическая база включает анализ нормативных документов, кодексов и стратегий цифровой трансформации ведущих вузов, обзор научной литературы по этике ИИ и философии образования, сопоставление типовых практик применения ИИ (адаптивное обучение, алгоритмическая оценка, прокторинг, аналитика учебных данных) и дискурс-анализ публичных нарративов о нейтральности алгоритмов. Применены методы концептуальной реконструкции ключевых категорий (справедливость, автономия, ответственность), картирование стейкхолдеров и матричное оценивание рисков по шкалам вероятности, ущерба и управляемости. Результаты демонстрируют, что главные угрозы связаны с алгоритмической предвзятостью и воспроизводством социального неравенства под видом персонализации; эрозией эпистемологической и педагогической автономии студентов и преподавателей из-за платформенной логики подталкивания и тотального мониторинга; диффузией ответственности в системах человек–алгоритм, создающей вакуум подотчетности; а также с редукцией образовательных целей до метрик эффективности, что ведет к дегуманизации обучения. Предлагается многоуровневый набор мер: институциональные (постоянные комитеты по этике ИИ, процедуры предварительной и последующей гуманитарной экспертизы, прозрачные политики данных и механизмы апелляции алгоритмических решений), педагогические (встраивание модулей по цифровой этике и критике данных в учебные планы, развитие у преподавателей компетенций интерпретации алгоритмических рекомендаций, сохранение человеческих зон оценки), технологические (аудит датасетов, документирование модели, оценка влияния на уязвимые группы, принцип privacy by design), а также механизмы распределенной ответственности с четкими ролями разработчиков, администрации, преподавателей и студентов. Вывод подчеркивает, что этически выверенная интеграция ИИ возможна при приоритизации гуманистических целей образования, институционализации подотчетности и постоянной междисциплинарной рефлексии, обеспечивающих баланс между инновациями и защитой прав участников образовательного процесса.
The study aims to identify and systematize ethical risks arising from the implementation of artificial intelligence technologies in the educational process of technical universities, as well as to substantiate measures for their minimization with regard to academic values and institutional constraints. The empirical and theoretical foundation includes the analysis of regulatory documents, codes, and digital transformation strategies of leading universities, a review of academic literature on AI ethics and the philosophy of education, a comparison of typical AI application practices (adaptive learning, algorithmic assessment, proctoring, learning analytics), and discourse analysis of public narratives about the neutrality of algorithms. The research applies methods of conceptual reconstruction of key categories (justice, autonomy, responsibility), stakeholder mapping, and matrix-based risk assessment using scales of probability, harm, and controllability. The results demonstrate that the main threats are associated with algorithmic bias and the reproduction of social inequality under the guise of personalization; the erosion of students' and teachers' epistemological and pedagogical autonomy due to the platform logic of nudging and total monitoring; the diffusion of responsibility in human-algorithm systems, creating a vacuum of accountability; as well as the reduction of educational goals to efficiency metrics, which leads to the dehumanization of learning. A multi-level set of measures is proposed: institutional (permanent AI ethics committees, procedures for preliminary and subsequent humanitarian expertise, transparent data policies, and mechanisms for appealing algorithmic decisions), pedagogical (integration of modules on digital ethics and data criticism into curricula, development of teachers' competencies in interpreting algorithmic recommendations, preservation of human zones of assessment), technological (dataset auditing, model documentation, assessment of impacts on vulnerable groups, the privacy by design principle), as well as mechanisms of distributed responsibility with clearly defined roles for developers, administration, teachers, and students. The conclusion emphasizes that ethically sound AI integration is possible when humanistic goals of education are prioritized, accountability is institutionalized, and continuous interdisciplinary reflection is maintained, ensuring a balance between innovation and the protection of the rights of participants in the educational process.