Egzaminy ustne zamiast prezentacji wygenerowanych przez czatboty. Jak uniwersytet powinien kształcić studentów w epoce AI

Model językowy potrafi dziś w kilkadziesiąt sekund napisać pracę, która na wielu kierunkach studiów wystarczyłaby do uzyskania zaliczenia. Problemem nie jest więc wyłącznie „nieuczciwość” studentów, lecz również i przede wszystkim to, że próg trudności leży zbyt nisko. Wykłady przypominające słuchanie audiobooka, ćwiczenia sprawdzające znajomość podstawowych informacji i estetyczne slajdy wygenerowane z pomocą AI muszą odejść do lamusa. Potrzebujemy egzaminów ustnych i innych metod weryfikacji, czy student potrafi obronić metodologię własnej pracy, a nie jedynie kopiować odpowiedzi modelu językowego.

Jakie czynności poznawcze student musi wykonać samodzielnie, zanim uczelnia poświadczy, że rzeczywiście je opanował? Piotr Ryszard Ryś w niedawnym eseju „Prometeusz dał studentom AI, ale nie nauczył z niego korzystać” trafnie opisał akademicką grę pozorów i wskazał potrzebę odejścia od nieskutecznej wojny detektorów z humanizerami (programami służącymi do zmieniania treści wygenerowanych przez AI, by wyglądały na stworzone przez człowieka).

O dozwolonym użyciu sztucznej inteligencji nie powinien decydować ani rok studiów, ani nazwa konkretnego narzędzia, ani jeden ogólny regulamin uczelni. Powinien o nim decydować efekt kształcenia, czyli to, jakie umiejętności absolwenta ma poświadczać dyplom.

W naukach humanistycznych i społecznych odpowiedź modelu powinna wyznaczać „podłogę” zadania. Ocenie podlegać powinno to, jak wysoko ponad tę „podłogę” student potrafi wznieść „sufit” własnego rozumowania.

Zmierzch dydaktyki transmisyjnej

Generatywna sztuczna inteligencja nie podważa jedynie tradycyjnego sposobu pisania prac zaliczeniowych. Podważa również sens znacznej części formatów, wokół których zorganizowaliśmy dydaktykę akademicką, czyli wykładu jako transmisji informacji, ćwiczeń jako sprawdzania znajomości tekstu oraz prezentacji jako dowodu pracy studenta.

Tradycyjny wykład można dziś nagrać telefonem, automatycznie przepisać za pomocą systemu rozpoznawania mowy, a obrazy slajdów i tablicy odczytać przez OCR. Gemini Notebook (dawniej NotebookLM) przyjmuje dokumenty, pliki audio, prezentacje i filmy z YouTube, pozwala zadawać pytania do źródeł oraz generuje przewodniki, streszczenia, mapy myśli, quizy i zestawy materiałów do nauki.

W tej sytuacji wykład rozumiany jako jednostronne przekazanie uporządkowanej wiedzy w dużej mierze traci sens. Student nie musi już przez 90 minut notować informacji, które później będzie mozolnie układał. Może otrzymać zapis, skrót wykładu i zestaw pytań niemal natychmiast.

Nie znaczy to, że każdy wykład jest bezwartościowy. Sens traci przede wszystkim wykład realizowany jako żywa wersja podręcznika. Nadal potrzebne mogą być wykłady będące autorską syntezą rozległej wiedzy, pokazem rozwiązywania problemu, analizą aktualnego wydarzenia albo spotkaniem z badaczem, który ujawnia nie tylko wnioski, lecz również drogę dochodzenia do nich.

Wykładowca nie powinien konkurować z modelem w dostarczaniu definicji. Powinien pokazywać to, czego nie daje automatyczne streszczenie, czyli: dlaczego jedne pytania są ważniejsze od innych, w którym miejscu kończy się wiedza pewna, gdzie zaczyna się spór i jak ekspert zmienia zdanie pod wpływem kontrargumentu.

AI tylko przyspiesza proces, który już się rozpoczął. Skoro przekaz informacji można nagrać, przepisać, streścić i zamienić w materiały do nauki, fizyczne spotkanie powinno zostać wykorzystane do czynności trudniejszych, czyli interpretowania, spierania się, rozwiązywania problemów i sprawdzania rozumienia.

Ćwiczenia powinny stać się teatrem kompetencji

Podobny problem dotyczy zajęć ćwiczeniowych i seminariów. Ich tradycyjny scenariusz wygląda znajomo. Student ma przeczytać tekst, prowadzący prosi o streszczenie, pyta o główną tezę, argumenty autora i znaczenie jednego z pojęć. Następnie grupa dyskutuje na podstawie udzielonych odpowiedzi.

Taki format nie daje już pewności, że student przeczytał i zrozumiał materiał. Tekst można przekazać modelowi i poprosić nie tylko o streszczenie, ale również o listę potencjalnych pytań prowadzącego, gotowe odpowiedzi, kontrargumenty i cytaty, które warto przywołać. Ćwiczenia oparte wyłącznie na odtwarzaniu tekstu mogą więc stać się dydaktycznym teatrem kompetencji.

Na zajęciach coraz częściej spotykamy się z sytuacją, w której student potrafi płynnie streścić tekst, wskazać główną tezę i powtórzyć dwa poprawne argumenty, ale po jednym pytaniu o założenia całego wywodu traci grunt pod nogami. Nie dlatego, że jest leniwy. Częściej dlatego, że przygotował się do odpowiedzi, a nie do rozumienia.

Seminarium może więc stać się ważniejsze niż wcześniej, pod warunkiem, że będzie wymagało czynności, których nie da się przygotować jako gotowego skryptu. Student powinien porównywać interpretacje, reagować na niespodziewany kontrargument, odnosić tezę do nieznanego wcześniej przypadku, wskazywać ograniczenia własnego stanowiska i wyjaśniać, dlaczego zmienił zdanie.

Najprostsze pytanie „co autor napisał?” coraz rzadziej wystarczy. Potrzebne będą inne pytania, na przykład: „który krok rozumowania jest najsłabszy?”, „jak zmieniłby się wniosek po przyjęciu innego założenia?”, „z jakim źródłem ten argument wchodzi w konflikt?”, „co musiałoby się okazać prawdą, abyś odrzucił swoją interpretację?”. Model może pomóc studentowi przygotować się do takiej rozmowy. Nie powinien jednak przeprowadzać jej za niego.

Prezentacja nie jest już dowodem, że student wykonał pracę

Prezentacje studenckie również tracą swoją funkcję. Jeszcze niedawno przygotowanie kilkunastu sensownych slajdów wymagało przeczytania materiału, zbudowania narracji, skrócenia tekstu, znalezienia ilustracji i zaprojektowania układu.

Dziś cały szkic można uzyskać w kilka minut. Copilot w PowerPoincie potrafi utworzyć prezentację na podstawie polecenia albo dokumentu, dodać obrazy i przygotować notatki dla mówiącego. Gemini Notebook może z kolei automatycznie tworzyć zestawy slajdów na podstawie przekazanych źródeł.

Ocenianie prezentacji na podstawie jakości slajdów traci więc sens dydaktyczny. Slajdy stają się materiałem pomocniczym, podobnie jak wydrukowany konspekt. Przedmiotem oceny powinna być zdolność wyjaśnienia przedstawionych treści, obrony doboru źródeł, reakcji na pytania oraz poprawienia własnej tezy po pojawieniu się uzasadnionej krytyki. W epoce generatywnej AI o wartości prezentacji decyduje to, czy student potrafi ją ocenić i osądzić, a nie to, czy prezentacja jest ładna i uporządkowana.

Czy młodsze pokolenie może być funkcjonalnie głupsze?

Za kryzysem tradycyjnych formatów stoi poważniejsze ryzyko. Młodsze pokolenie może okazać się realnie, w sensie funkcjonalnym, głupsze od poprzednich. Nie twierdzę, że mamy dowód na spadek IQ albo biologicznie mniejszą inteligencję. Obawa jest inna.

Możemy wychować pokolenie sprawniejsze w wytwarzaniu dobrych produktów z pomocą narzędzia, ale słabsze w utrzymywaniu uwagi, samodzielnym formułowaniu problemów, zapamiętywaniu, czytaniu trudnych źródeł, budowaniu argumentów i rozpoznawaniu błędów. Warunki dla zaistnienia takiego scenariusza już powstają.

W ogólnopolskim badaniu NASK 70% uczniów klas VII-VIII szkoły podstawowej oraz I-II szkoły ponadpodstawowej deklarowało kontakt z przynajmniej jednym narzędziem opartym na AI. Kategoria obejmowała także programy takie jak CapCut (edytor zdjęć i filmów – red.), ale z samego ChatGPT korzystało 53% badanych.

Wśród użytkowników AI 48% używało jej do nauki, a 40% do zadań domowych. Regularne użycie rosło z 20% w klasie VII do 39% w drugiej klasie szkoły średniej. Raport NASK opisuje deklarowaną ekspozycję, a nie jej skutki, ale pokazuje, że nie dyskutujemy o technologii przyszłości.

Niepokojący mechanizm opisuje badanie zespołu MIT Media Lab Your Brain on ChatGPT. 54 uczestników w trzech 18-osobowych grupach pisało eseje z pomocą modelu językowego, wyszukiwarki albo bez narzędzi.

Grupa korzystająca z LLM wykazywała podczas zadania najsłabszą łączność funkcjonalną mierzoną EEG, czyli najmniejszą synchronizację aktywności między obszarami mózgu, miała większe trudności z przywołaniem własnego tekstu i deklarowała, że w mniejszym stopniu poczuwa się do jego autorstwa.

W pierwszej sesji 15 z 18 użytkowników LLM nie potrafiło poprawnie zacytować napisanego chwilę wcześniej eseju, podczas gdy w pozostałych grupach nie poradziły sobie z tym tylko po dwie osoby.

Nie jest to dowód na uszkodzenie mózgu ani spadek inteligencji. Należy podkreślić, że badanie pozostaje nierecenzowanym preprintem, objęło małą próbę osób dorosłych, a w ostatniej sesji uczestniczyło już tylko 18 badanych. Dlatego koncepcję „długu poznawczego” należy traktować jako hipotezę i metaforę odroczonego kosztu, a nie fakt neurologiczny.

Mocniejszego dowodu na to, że oddanie modelowi pracy poznawczej ma odroczony koszt, dostarcza randomizowany eksperyment Hamsy Bastani i współautorów opublikowany w PNAS. Prawie tysiąc uczniów z jednej tureckiej szkoły korzystało podczas ćwiczeń matematycznych ze zwykłego ChatGPT albo z wersji tutorskiej, która zamiast podawać gotowe rozwiązania, prowadziła ucznia krok po kroku.

W trakcie ćwiczeń grupa ze zwykłym ChatGPT uzyskiwała wyniki o 48% lepsze od kontrolnej, a grupa z tutorem o 127% lepsze. Bez użycia modelu AI uczniowie wcześniej korzystający ze zwykłego interfejsu osiągnęli wynik o 17% niższy od grupy uczącej się bez niego. W grupie korzystającej z tutora ta strata praktycznie nie wystąpiła.

Istnieją też wyniki przeciwne. W eksperymencie Zary Contractor i Germána Reyesa dostęp do AI podniósł wyniki testu wiedzy studentów o 0,27 odchylenia standardowego, a korzyść utrzymała się po tygodniu.

Najwięcej zyskiwały osoby używające modelu do otrzymywania wyjaśnień, a nie automatycznego generowania tekstu. To wciąż nierecenzowany IZA Discussion Paper, obejmujący ponad 200 studentów jednej uczelni i krótki horyzont czasowy.

Wniosek nie brzmi zatem, że AI ogłupia. Ogłupiać może delegowanie tej czynności poznawczej, którą człowiek miał właśnie ćwiczyć. Model zadający pytania i wymuszający samodzielne kroki może pomagać w nauce. Model dostarczający gotowy produkt może poprawiać bieżący wynik, nie rozwijając zdolności potrzebnej do późniejszej pracy bez narzędzia.

Ktoś, kto najpierw napisał 100 esejów, może używać modelu jako redaktora. Ktoś, komu AI od pierwszych lat nauki podsuwa tezę, argumenty, pytania i wnioski, może nigdy nie wykonać pracy koniecznej, aby stworzyć coś od etapu pustej kartki.

Znak wodny rozpoznaje narzędzie, nie kompetencję

Odpowiedzią na ten problem nie będzie doskonalsza detekcja. Od 2 sierpnia 2026 r. stosuje się obowiązki przejrzystości określone w art. 50 unijnego AI Act. Anthropic rozpoczął oznaczanie tekstów pochodzących z obsługiwanych modeli Claude za pomocą niewidocznego, maszynowo odczytywalnego znaku wodnego.

Taki znak może pomagać w ustalaniu pochodzenia tekstu. Nie wyjaśnia jednak, kto sformułował problem, wykonał analizę i podjął decyzje. Watermark może pojawić się w tekście napisanym przez człowieka, który model tylko przetłumaczył lub poprawił. Jego brak również nie wyklucza użycia innego systemu. Pojawiają się tu cztery pytania.

Pierwsze dotyczy pochodzenia. Czy AI uczestniczyła w procesie? Drugie dotyczy wkładu. Jakie czynności jej powierzono? Trzecie dotyczy autorstwa i odpowiedzialności. Kto podejmował decyzje i ręczy za rezultat? Czwarte dotyczy kompetencji. Co student potrafi wykonać, wyjaśnić i zweryfikować bez zastępstwa?

Watermark odpowiada tylko na pierwsze pytanie i to niedoskonale. Deklaracja użycia odpowiada na dwa pierwsze. Przyjęcie odpowiedzialności odpowiada na trzecie. Na czwarte odpowiada dopiero właściwie zaprojektowane ocenianie.

Część debaty zatrzymuje się na pytaniu trzecim. Marcin M. Mirończuk w tekście „AI, autorstwo i odpowiedzialność” trafnie podkreśla znaczenie rozumienia, kontroli, weryfikacji i odpowiedzialności.

W edukacji jest to jednak dopiero warunek wstępny. Student może uczciwie ujawnić, że użył modelu i przyjąć odpowiedzialność za rezultat, a mimo to nie posiadać kompetencji, którą zaliczenie ma poświadczać.

Największą iluzją byłoby przekonanie, że wystarczy dopisać do sylabusa punkt o zakazie korzystania z modeli językowych albo o obowiązku deklarowania, że model został wykorzystany. Uczelnia, która odpowie na rewolucję AI wyłącznie formularzem deklaracji, przegra tę zmianę. Deklaracja porządkuje odpowiedzialność, ale nie pozwala sprawdzić, co student potrafi bez modelu.

Korekta językowa to nie to samo, co oddanie myślenia modelowi

Piotr Siuda w artykule „Generatywna AI w akademickim pisarstwie” trafnie odróżnia pomoc językową od fabrykowania treści, źródeł i wyników. Korekta gramatyki nie jest tym samym, co wygenerowanie koncepcji badawczej. Przekład własnego argumentu zostawia myślenie przy autorze, a oddanie argumentacji modelowi już nie.

Warto wyróżnić cztery sposoby użycia AI, ułożone według tego, ile pracy poznawczej zostaje przy człowieku. Pierwszym jest redakcja, czyli poprawa formy już istniejącej pracy. Drugim jest augmentacja, czyli wsparcie myślenia przez pytania, wyjaśnienia, informację zwrotną i kontrargumenty.

Trzecim jest orkiestracja, w której człowiek projektuje pracę kilku modeli lub agentów, ustala ich role i kontroluje rezultaty. Czwartym jest automatyzacja, czyli oddanie systemowi wytworzenia zasadniczego produktu przy minimalnym wkładzie użytkownika.

Rozwiązania agentowe mogą tworzyć nowy rodzaj pisania. Autor nie będzie własnoręcznie budował każdego zdania, lecz formułował problem, projektował proces, dobierał źródła, oceniał warianty i scalał rezultat. Uniwersytet powinien uczyć takiej orkiestracji. Nie może jednak udawać, że student potrafi kierować pracą, której jakości nie umie sam rozpoznać.

Nowa praktyka pisania, oparta na orkiestracji, nadal wymaga starej praktyki czytania, rozumowania i osądu. Bez tych podstaw agentowa produkcja treści prowadzi do zjawiska nazywanego „workslopem”, czyli pozornie dopracowanego materiału, który nie posuwa pracy naprzód, lecz przerzuca wysiłek poznawczy na odbiorcę.

W badaniu opisanym przez „Harvard Business Review” 41% ankietowanych pracowników zetknęło się z takim produktem. Na uczelni odbiorcą workslopu staje się nauczyciel, który musi sprawdzać generyczne argumenty, nieistniejące źródła i pozorną erudycję.

Nie doceniają AI ci, którzy korzystają z darmowych wersji modeli językowych

Zapowiedzianą na początku zasadę „podłogi” wyrażę teraz operacyjnie. W naukach humanistycznych i społecznych student powinien otrzymywać zaliczenie pracy pisemnej tylko wtedy, kiedy przedstawi rezultat lepszy niż to, co na to samo pytanie generuje powszechnie dostępny model językowy.

Jeżeli standardowy prompt pozwala otrzymać poprawnie skonstruowany i językowo płynny esej, dostarczenie podobnego produktu nie stanowi już wystarczającego dowodu akademickiej kompetencji.

Student powinien wnieść wartość, której nie daje generyczna odpowiedź. O jego samodzielności może świadczyć: precyzyjniej sformułowany problem, krytyczny dobór źródeł, osadzona w kontekście interpretacja, rozpoznanie niejednoznaczności, samodzielna synteza albo uzasadniony osąd.

Nie chodzi o konkurs, w którym student ma pisać płynniej niż model. AI prawdopodobnie wygra pod względem szybkości, poprawności językowej i pozornej erudycji. Student powinien przewyższać ją w wymiarach będących celem kształcenia, czyli w jakości stawianych pytań, pracy ze źródłami, trafności interpretacji, świadomości metodologicznej, odpowiedzialności za postawione twierdzenia i zdolności obrony swoich wyborów.

Można nazwać ten element ludzkim naddatkiem poznawczym. Nie musi on oznaczać, że ktoś dokonuje przełomowego odkrycia. Na wcześniejszym etapie kształcenia może nim być samodzielne zauważenie napięcia między tekstami, rozpoznanie słabości źródła albo wyjaśnienie, dlaczego jedna interpretacja jest lepsza od drugiej.

Jeśli model bez dostępu do zajęć i lektur potrafi wykonać zadanie na ocenę dostateczną, wracamy do problemu, o którym napisałem na początku Próg zaliczenia jest po prostu za nisko. Prowadzący powinien więc przed zadaniem pracy sprawdzić, jakie odpowiedzi na dany temat generują aktualne modele.

Nie po to, by później ścigać podobieństwa stylistyczne, ale by przetestować poziom trudności zadania.

„Podłoga” będzie się podnosiła wraz z rozwojem technologii. Dlatego raz ustalone zadanie nie może być używane przez kolejnych 10 lat. Podłoga nie podnosi się jednak wyłącznie w czasie. W każdym momencie ma też kilka poziomów naraz i tu tkwi źródło poważnego nieporozumienia.

Znaczna część debaty o modelach językowych opiera się na doświadczeniach użytkowników z wersjami darmowymi, które opierają się na słabszych modelach rozumowania, są w stanie przetwarzać mniej tekstu w pojedynczym zapytaniu, narzucają limity zapytań oraz ograniczony dostęp do plików i wyszukiwania.

Osoba, która testowała wyłącznie taką wersję, zwykle widzi dość generyczny wytwór AI i wyciąga wniosek, że AI jest przereklamowane, a zagrożenie dla tradycyjnych prac zaliczeniowych – umiarkowane. Tymczasem różnica między wersją darmową a najwyższymi modelami płatnymi jest dzisiaj duża i dotyczy właśnie tych zdolności, na których uczelni zależy najbardziej.

Chodzi o dłuższe i bardziej konsekwentne rozumowanie, pracę na wielu źródłach jednocześnie, utrzymanie struktury dłuższego tekstu oraz wierniejsze stosowanie się do złożonych wymagań. Nauczyciel, który korzysta więc tylko z darmowej wersji modelu, mierzy więc niewłaściwą „podłogę” i systematycznie zaniża ryzyko.

Studenci tego rozróżnienia nie przeoczyli. Z rozmów prowadzonych przeze mnie w trakcie szkoleń wynika, że w okresie zaliczeń wykupują subskrypcje najbardziej zaawansowanych modeli, a koszt jednego konta dzielą często między kilka osób.

Wniosek dla oceniania jest jednoznaczny. Próg trudności zadania trzeba kalibrować względem najlepszego modelu realnie dostępnego studentowi, nie względem narzędzia, którym akurat dysponuje prowadzący.

Ta zasada rodzi jednak poważny problem równościowy. Najlepsze modele są płatne, a zadanie zaprojektowane tak, aby przewyższyć najlepszy z nich, jest trudniejsze dla kogoś, kto tego modelu nie ma. Tak ustawiony próg stawia więc osoby bez subskrypcji w gorszej sytuacji niż ich zamożniejszych kolegów i koleżanki.

Ten sam problem dostępu dotyczy kadry, która rzadko ma służbowe konta z dostępem do płatnych narzędzi i testuje trudność zadań na tym, co ma pod ręką. Dlatego podnoszeniu progu muszą towarzyszyć uczelniane licencje dla studentów i prowadzących, a nie założenie, że każdy kupi dostęp na własną rękę.

Naukowcy chętnie korzystają z AI. Wyznaczmy trzy sfery jej użycia

A jak sami naukowcy korzystają z generatywnej AI? Pewien wgląd w tę kwestię daje dobrowolny sondaż NCN (Narodowego Centrum Nauki), instytucji, która przyznaje granty na badania dla polskich naukowców. Na ankietę odpowiedziało 2708 z 8863 zaproszonych kierowników wniosków – naukowców z tytułami doktora czy profesora.

Korzystanie z GenAI przy przygotowywaniu aplikacji deklarowało 42% respondentów. Większość natomiast chciała wyłączyć ją z tworzenia koncepcji badania i formułowania hipotez. Udziałowi AI w ocenie merytorycznej wniosków sprzeciwiało się 67% badanych, a jednocześnie 60% uznało, że NCN powinno dopuszczać jej użycie przy ich przygotowywaniu.

Raport NCN nie opisuje reprezentatywnej próby wszystkich polskich naukowców, ale pokazuje, że granica użycia AI przebiega według wykonywanej operacji, a nie samego narzędzia. Takiej samej logiki potrzebujemy w edukacji.

Pierwszą sferą powinien być chroniony rdzeń poznawczy. Obejmuje on czynności, które student musi wykonywać bez generatywnego zastępstwa: czytanie źródeł, formułowanie problemów, konstruowanie argumentów, rozumowanie matematyczne, wnioskowanie metodologiczne, fundamenty programowania albo diagnozy, zależnie od kierunku.

Druga sfera obejmuje warunkowo dozwolone wsparcie. AI może zadawać pytania, udzielać informacji zwrotnej, poprawiać język, tłumaczyć i wskazywać kontrargumenty. Zakres pomocy powinien być jawny, a rezultat zweryfikowany.

Trzecia sfera to profesjonalna praca z AI. Korzystanie z modeli powinno być w niej wymagane jako element kompetencji zawodowej. Student musi nauczyć się projektowania procesów agentowych, ochrony danych, testowania wyników, rozpoznawania uprzedzeń wpisanych w dane i odpowiedzi modelu, dokumentowania użycia i oceny niepewności.

W tym kontekście Małgorzata Kochanowicz i Dota Szymborska w tekście „Polityka AI na uczelniach – między presją a regulacją” opisują przechodzenie od prohibicji do AI literacy (umiejętności posługiwania się AI – red.) i transparentności. Ten kierunek jest właściwy, ale wymaga zakotwiczenia w efektach kształcenia. Transparentność opisuje sposób użycia narzędzia i na tym się zatrzymuje, nie mówi bowiem, czy student nabył daną kompetencję.

Dobrym polskim precedensem jest uchwała jednej z rad dydaktycznych Uniwersytetu Warszawskiego, która wiąże poziomy dopuszczalności AI z efektami uczenia się. Podobną zasadę stosuje Uniwersytet Oksfordzki. Zakres dozwolonego użycia jest określany dla konkretnego zadania i tego, co ma ono mierzyć.

Z kolei Berkeley Law domyślnie chroni przed użyciem AI konceptualizację, planowanie, pisanie i poprawianie prac zaliczeniowych, pozostawiając prowadzącym możliwość ustanawiania wyjątków. Nie jest to zakaz technologii na całym uniwersytecie, lecz próba ochrony podstawowych zdolności przyszłych prawników.

Składniki wiarygodnej oceny? Produkt, proces i samodzielna demonstracja

Nie każda praca akademicka musi powstawać bez AI. Jednak student powinien zostać przynajmniej raz sprawdzony w zakresie każdej swojej kompetencji. Najlepszą zasadę oceniania można wyrazić w trzech krokach. Pokaż produkt, pokaż proces, a następnie pokaż, co potrafisz wykonać bez posiłkowania się AI.

Gotowy produkt mówi sam za siebie. Dokumentacja procesu jego powstawania ujawnia decyzje, odrzucone rozwiązania, wykorzystane źródła oraz sposób poprawienia błędów modelu. Samodzielna demonstracja rezultatów pokazuje, czy kompetencja rzeczywiście należy do studenta.

Nie wymaga to archiwizowania tysięcy promptów. Taki obowiązek tylko rozbudowałby biurokrację i nową odmianę gry pozorów. Wystarczy kilka istotnych elementów procesu, w tym zwłaszcza własne sformułowanie problemu, pierwsza koncepcja, decyzje metodologiczne, krytyka odpowiedzi AI i udokumentowana weryfikacja źródeł.

Studenta warto też prosić o przeprowadzenie zadania w kontrolowanych warunkach, demonstracje praktyczne i odpowiadania na niespodziewane pytania, wymagające zastosowania wiedzy.

W humanistyce może to być interpretacja nieznanego fragmentu utworu literackiego. W prawie będzie to analiza nowego stanu faktycznego. W programowaniu – wyjaśnienie błędu w dostarczonym kodzie. W naukach społecznych – obrona wyboru danej metody wobec alternatywnego projektu badania.

Slajdy, esej i raport stają się wówczas początkiem oceny, a nie jej zakończeniem. Konsekwencją tej logiki jest powrót egzaminu do roli podstawowej, a nie awaryjnej formy oceniania. Egzamin ustny sprawdza rozumienie w czasie rzeczywistym, bo jedno pogłębione pytanie ujawnia, czy student rozumie własną odpowiedź, czy tylko odtwarza zapamiętany fragment. Z kolei egzamin pisemny w kontrolowanych warunkach, trwający kilka godzin i oparty na nieznanym wcześniej materiale, sprawdza zdolność samodzielnego zbudowania dłuższego wywodu pod presją czasu.

Obie formy mają wady: egzamin ustny jest kosztowny organizacyjnie i bardziej podatny na nierówne traktowanie, dlatego wymaga jawnych kryteriów, ustalonej struktury pytań i zapisu przebiegu.

Kilkugodzinny egzamin pisemny jest z kolei trudny dla studentów ze szczególnymi potrzebami i wymaga również odpowiedniej realizacji. Żadna z tych trudności nie jest jednak argumentem za utrzymaniem pracy domowej w roli głównego dowodu kompetencji, ponieważ ten dowód przestał być wiarygodny.

Osobną sprawą są prace dyplomowe. Sama praca licencjacka czy magisterska nie może już być wystarczającym dowodem wiedzy i umiejętności studenta, bo powstaje poza kontrolą uczelni. Powinien jej towarzyszyć egzamin sprawdzający, w którym student wyjaśnia decyzje metodologiczne, uzasadnia dobór źródeł, odpowiada na pytania o konkretne fragmenty własnego tekstu i rozwiązuje problem pokrewny wobec tematu pracy. Wynik takiego egzaminu musi realnie wpływać na ocenę.

Zmienia to również funkcję proseminarium i seminarium dyplomowego. Zajęcia te powinny przygotowywać właśnie do takiego egzaminu, czyli trenować obronę twierdzeń, reagowanie na krytykę, pracę ze źródłami i wyjaśnianie własnych decyzji badawczych. Seminarium przestaje wtedy być miejscem raportowania postępów w pisaniu i staje się treningiem tej kompetencji, którą dyplom ma poświadczać.

Program studiów jako żywy system

Każdy kierunek powinien stworzyć mapę efektów kształcenia i przy każdym z nich odpowiedzieć na pytania takie jak: czy dana czynność ma być wykonana samodzielnie? Czy AI może ją wspierać? Czy biegłość w użyciu AI sama jest częścią kompetencji? Jaki dowód potwierdzi, że student rzeczywiście posiada dane umiejętności?

Taką mapę trzeba będzie regularnie aktualizować. Program studiów powinien działać nomen omen jak rozwijane oprogramowanie, czyli mieć kolejne wersje, zapis dokonanych zmian i ich przyczyn, punkty kontrolne. Jeżeli rozwój agentów zautomatyzuje nową czynność zawodową, uczelnia powinna wiedzieć, które przedmioty, zadania i kryteria oceny wymagają zmiany.

Tymczasem badanie Ulster University pokazuje, że studenci szybko przeszli od eksperymentowania z AI do rutynowego wykorzystywania jej w nauce, podczas gdy reakcje kadry akademickiej i polityka instytucji zmieniały się wolniej. Luk między praktyką studentów a działaniem uczelni nie zamknie jednorazowa uchwała. Potrzebny jest cykliczny przegląd programu nauczania i zadań nauczycieli akademickich.

Reforma nie powiedzie się również bez zmiany organizacji pracy nauczycieli. Rozmowy ze studentami, etapowanie prac, aktywne ćwiczenia i samodzielne demonstracje wymagają czasu, mniejszych grup i uwzględnienia nowego nakładu pracy w pensum. Nie można oczekiwać, że prowadzący przeprowadzi 100 dodatkowych rozmów, nie zmieniając liczby zajęć i obowiązków.

AI literacy nie może przy tym oznaczać kursu efektownego pisania promptów. Jej rdzeniem powinna być umiejętność weryfikacji, czyli odróżniania twierdzenia od dowodu, odnajdywania źródła pierwotnego, testowania wyniku, rozpoznawania niepewności i przypisywania odpowiedzialności.

Uniwersytet musi obiecać, że wiarygodnie sprawdził kompetencje absolwenta

Jacek Mańko i Michał Krzykawski w polemice na łamach „Forum Akademickiego” słusznie ostrzegają przed determinizmem technologicznym. Przyszłość uniwersytetu nie wiąże się z rozwojem kolejnych modeli językowych. Zależy raczej od decyzji o programach, ocenianiu i organizacji zajęć.

Wykład zachowa sens jako autorska synteza, ale jako żywy audiobook już teraz go traci. Ćwiczenia mają sprawdzać rozumienie, a nie znajomość streszczenia, które przygotował model. Prezentacja nie może być uznawana za dowód pracy tylko dlatego, że zawiera estetyczne slajdy. Esej nie powinien otrzymywać pozytywnej oceny za osiągnięcie poziomu, który AI przekracza w ciągu kilku sekund.

Fizyczna obecność studentów i nauczyciela ma sens tam, gdzie dochodzi do czegoś, czego nie da się sprowadzić do wygenerowania produktu, czyli wspólnego rozumowania, sporu, improwizacji, konfrontacji z błędem, zmiany stanowiska i odpowiedzialności za własny osąd.

Uczelnia nie powinna obiecywać, że rozpozna każdy tekst napisany przez model. Powinna obiecać coś trudniejszego: że będzie zdawać sobie sprawę, jakie zdolności poświadcza jej dyplom i dysponować wiarygodnymi dowodami, że absolwent naprawdę je posiada. Odpowiedź AI wyznacza już „podłogę”. Zadaniem uniwersytetu jest sprawić, aby człowiek nadal potrafił budować ponad nią „sufit”.

Wyrażane w tekście opinie są opiniami prywatnymi autora.