Pisząc o edukacji, mam na myśli zarówno szkołę, jak i uczelnię. Dlatego gdy używam słów „uczeń” i „student”, chodzi mi szerzej o osobę, która się uczy, kogoś kto w kontakcie z AI ma nie tylko otrzymać odpowiedź, ale także zachować własne rozumienie, osąd i odpowiedzialność.
Szczególnie ważna wydaje mi się najnowsza metaanaliza badań nad wykorzystaniem generatywnej AI w edukacji STEM. Choć dotyczy ona klasycznego znaczeniu tego pojęcia, jej wnioski są ważne także dla szerszego myślenia o edukacji STEAM/STREAM. Generatywna AI łączy dziś pracę z danymi, językiem, interpretacją, projektowaniem i odpowiedzialnym osądem. Autorzy metaanalizy pokazują, że wpływ AI na uczenie się nie jest tak jednoznaczny, jak mogłyby sugerować pojedyncze entuzjastyczne badania. Znaczenie ma nie samo użycie narzędzia, ale sposób jego włączenia w aktywność poznawczą osoby uczącej się. Pojawiają się więc pojęcia, które pomagają lepiej uchwycić ten problem: cognitive offloading, cognitive resilience, epistemic debt i odpowiedzialność poznawcza. Razem tworzą ciekawą mapę granicy między AI jako wsparciem człowieka a AI jako wygodnym zastępstwem dla jego własnego rozumienia.
Ta zmiana perspektywy jest dla mnie ważna także z punktu widzenia modelu IALE (Intentionally AI-Linked Education). Coraz mniej interesuje mnie samo pytanie, czy student korzystał z AI. Ważniejsze staje się dla mnie to, co wydarzyło się w procesie tworzenia. Pytam więc studenta, co dzięki tej współpracy zrozumiał, co sprawdził, co odrzucił i za co bierze odpowiedzialność. Najważniejszy problem edukacji z AI nie może polegać na stwierdzeniu, że sztuczna inteligencja wygenerowała odpowiedzi, ale fakt, że uczeń przestaje odróżniać odpowiedź, którą posiada, od rozumienia, którego jeszcze nie ma. Dlatego dziś interesuje mnie to, co dzieje się z człowiekiem. W tym momencie bardzo pomocna staje się dla mnie analiza czterech pojęć. Każde z nich osobno coś wyjaśnia, ale dopiero razem pokazują granicę między rozumieniem a jedynie oddaniem tekstu. Dopóki student nie potrafi wziąć odpowiedzialności za swój produkt, dopóty pozostaje on dla mnie tylko martwym artefaktem.
Pierwsze pojęcie, cognitive offloading - odciążenie poznawcze, nie musi oznaczać niczego złego. Od zawsze przenosimy część wysiłku poznawczego na narzędzia. Zapisujemy, liczymy na kalkulatorze, sprawdzamy w książkach, korzystamy z map, wyszukiwarek, notatek. Człowiek nigdy nie myślał w całkowitej izolacji od swoich narzędzi. Jednak problem zaczyna się gdzie indziej i nie wtedy, gdy AI pomaga coś uporządkować, ani wtedy, gdy podsuwa przykład, kontrargument albo możliwą strukturę tekstu, ale wtedy, gdy po otrzymaniu odpowiedzi student nie potrafi już powiedzieć, co właściwie zrozumiał. Gdy ma tekst, ale nie potrafi przedstawić drogi dojścia, to pojawia się niebezpieczeństwo, bo ma rozwiązanie, ale nie ma własnego uzasadnienia.
I chyba właśnie dlatego tak ważna staje się dziś odporność poznawcza — cognitive resilience. Rozumiem ją nie jako niechęć do technologii, ale jako zdolność zachowania własnego osądu w świecie, który coraz szybciej produkuje gotowe odpowiedzi. To dla szkoły i uczelni jest bardzo niewygodne. Przecież dobra edukacja nie może polegać wyłącznie na ułatwianiu. Czasem musi zostawić trudność, bo bez pewnego wysiłku nie powstaje rozumienie.
Najmocniej działa na mnie jednak trzecie pojęcie: dług epistemiczny — epistemic debt. To sytuacja, w której student korzysta z wiedzy, której tak naprawdę jeszcze nie posiada. Ma gotowy wynik, który może wkleić, pokazać, oddać, opublikować. Ale gdy ktoś zapyta: „dlaczego tak?”, „na jakiej podstawie?”, „co to naprawdę znaczy?”, to zaczyna się problem. To bardzo subtelne zagrożenie. Bo z zewnątrz wszystko wygląda dobrze. Tekst jest poprawny, prezentacja ładna, a wygenerowana odpowiedź brzmi przekonująco. Tylko człowiek nie zawsze dorasta poznawczo do rezultatu, który przedstawia jako własny.
I tu wracam do pojęcia, które w modelu IALE wydaje mi się kluczowe: odpowiedzialność poznawcza. Jeden z jego filarów mówi wprost o etycznej odpowiedzialności za własny rozwój. W edukacji z AI pytanie: „czy użyłeś sztucznej inteligencji?” nie wystarcza. Nie sprawdza ono, czy student wie, rozumie i potrafi uzasadnić swój wybór. Można przecież użyć AI bardzo mądrze, ale można też użyć w sposób, który właściwie unieważnia własne uczenie się. Dlatego moje pytania są inne: co naprawdę zrozumiałeś? Czego nie potrafiłbyś obronić bez pomocy AI? Gdzie w tej pracy jesteś Ty, a gdzie zaczyna się tylko tekst oddany przez narzędzie? Dlatego zadanie edukacyjne w epoce AI nie powinno kończyć się na oddaniu tekstu, prezentacji czy rozwiązania. Powinno zawierać jeszcze jeden moment: krótką obronę rozumienia. Uczeń lub student powinien umieć powiedzieć, co zrobił samodzielnie, w czym pomogła mu AI, co sprawdził, co zmienił i której części rezultatu nie potrafiłby jeszcze obronić bez pomocy narzędzia.
To ostatnie wydaje mi się najważniejsze. Nie chodzi mi o szkołę bez AI. Nie wierzę już w tę, która udaje, że sztucznej inteligencji nie ma. Ale nie chcę też szkoły, która bez oporu oddaje AI myślenie, ocenę i odpowiedzialność. Doświadczamy tego, w jaki sposób AI może być dla człowieka realnym wsparciem, może pomagać zobaczyć więcej, zadać lepsze pytanie, porównać argumenty, dostrzec słabość własnego rozumowania. AI może też stać się wygodnym zastępstwem, swoistą protezą myślenia, która podsuwa odpowiedź szybciej, niż człowiek zdąży ją naprawdę zrozumieć.
Analiza wspomnianych badań coraz bardziej przekonuje mnie, że jednym z najważniejszych zadań edukacji nie będzie samo uczenie korzystania z AI. Ważniejsze stanie się uczenie rozpoznawania, którego myślenia nie wolno oddać. Najważniejszy problem edukacji z AI nie polega więc na samym fakcie, że sztuczna inteligencja wygenerowała odpowiedź. Problem zaczyna się wtedy, gdy osoba ucząca się przestaje odróżniać odpowiedź, którą posiada, od rozumienia, którego jeszcze nie ma.
Przypisy
- Pojęcie epistemic debt omawiają Irene Unceta, Paula Subías-Beltrán i Oriol Pujol w tekście „The epistemic debt of generative AI”, opublikowanym w Nature Machine Intelligence w sierpniu 2026 r. Autorzy zwracają uwagę na lukę między korzystaniem z rezultatów AI a rzeczywistym rozumieniem tych rezultatów przez człowieka.
- Koncepcję cognitive resilience rozwija Hans Westerbeek w artykule „Designing for cognitive resilience: a distributed cognition approach to education in the age of generative AI”, opublikowanym w AI & Society. Autor traktuje odporność poznawczą jako zdolność podtrzymywania uwagi, rozumowania i metapoznawczej kontroli w środowisku powszechnej dostępności AI.
- Ostrożność wobec prostych wniosków o skuteczności GenAI w uczeniu się wzmacnia metaanaliza „Evidence of impact and interpretational limits of generative AI in STEM education”, opublikowana w Artificial Intelligence Review. Autorzy pokazują, że znaczenie ma nie samo użycie AI, lecz sposób jej włączenia w aktywność poznawczą studenta.
- Yufeng Qian, „Governing generative AI in higher education: emerging policy approaches and support ecosystems at innovative U.S. Universities”, International Journal for Educational Integrity, 2026. Autor analizuje publiczne polityki, wytyczne i materiały wsparcia dotyczące GenAI na 50 innowacyjnych amerykańskich uniwersytetach. Z badania wynika, że uczelnie coraz częściej przenoszą decyzje o dopuszczalnym użyciu AI na poziom kursu, sylabusa i prowadzącego, podkreślając jednocześnie znaczenie transparentności, dokumentowania użycia AI, ochrony danych oraz odpowiedzialnego projektowania zadań.
