Wszyscy wokoło ostrzegają uczniów – z AI korzystajcie krytycznie.

I oczywiście, to dobra rada, tylko zbyt ogólna. Bo co właściwie uczniowie mają robić? Zakwestionować odpowiedź? Sprawdzić ją? Dopytać? Porównać z innym źródłem?

Jak my nauczyciele, możemy wesprzeć ich w przygotowaniu się do wykonania tego zadania w odpowiedni sposób?
Niektórych mogę zdziwić, ale nie będę polecać zaczynania od zasad korzystania z chatbota, ale od prostszej rzeczy – od uczenia zatrzymania się, zadawania pytań i zauważania, że pierwsza odpowiedź nie zawsze wystarcza. Na dodanie do tego AI przyjdzie jeszcze czas.
W praktyce może to wyglądać jak droga od dużego wsparcia ze strony nauczyciela do coraz większej samodzielności ucznia.

Najpierw fundament: krytyczna rozmowa bez AI

Zaczynamy już z najmłodszymi dziećmi, ale zupełnie bez używania sztucznej inteligencji. Ćwiczymy jednak te same nawyki myślowe, które później będą potrzebne podczas pracy z odpowiedzią modelu.

Wyobraźmy sobie np. w klasie II, że nauczyciel przedstawia problem:
„Ktoś powiedział: papierowa torba jest lepsza dla środowiska niż plastikowa. Co o tym myślicie?”

Tu z powodzeniem można wykorzystać proste ćwiczenie inspirowane rutyną myślenia Red Light, Yellow Light.

Żółte światło

Nie chodzi jeszcze o ustalenie, która torba rzeczywiście jest „lepsza”. Najpierw chcemy, żeby dzieci zauważyły, że samo twierdzenie wymaga namysłu.

Co w tym zdaniu każe nam się zatrzymać i pomyśleć?

Dzieci mogą zacząć pytać: Dlaczego? Skąd to wiadomo? Czy zawsze? A jeśli plastikowej torby użyję wiele razy? Z czego robi się papier? Co właściwie znaczy „lepsza dla środowiska”? W tych wszystkich pytaniach nie chodzi jeszcze nawet o znalezienie poprawnej odpowiedzi, tylko o coś co poprzedza jej szukanie o  wyrobienie nawyku, że przy niektórych twierdzeniach warto się zatrzymać, zadać pytanie i sprawdzić, od czego odpowiedź zależy. Ćwiczymy też coś, co później będzie przydatne w pracy z AI – nie przyjmowania pierwszego twierdzenia tylko dlatego, że brzmi przekonująco.

To bardzo ważny etap, bo musimy pamiętać, że krytycznej rozmowy z AI nie zaczynamy uczyć wtedy, gdy uczeń dostaje dostęp do narzędzia. Najpierw uczymy sposobu myślenia jako takiego.

AI w rękach nauczyciela: wspólna analiza odpowiedzi

Na kolejnym etapie, w podobnej sytuacji dydaktycznej możemy dołożyć odpowiedź AI. Do ćwiczenia nauczyciel może wcześniej wybrać lub wygenerować krótką odpowiedź, która nie zawiera oczywistego błędu, ale pozostawia przestrzeń do pytań i doprecyzowania. Można ją pokazać na ekranie lub po prostu wydrukować uczniom na kartkach:

„Torba papierowa jest lepsza dla środowiska, ponieważ powstaje z odnawialnego surowca, łatwiej się rozkłada i można ją poddać recyklingowi. Plastik rozkłada się setki lat i zanieczyszcza środowisko.”

Uczniowie wciąż jeszcze nie korzystają z chatbota, to nauczyciel prowadzi razem z nimi analizę odpowiedzi AI. Może wykorzystać do tego kolejną rutynę myślenia np.:

Twierdzenie – Podstawa – Pytanie

Co AI twierdzi?

Na czym opiera swoją odpowiedź?

O co chcielibyśmy jeszcze zapytać?

I nie chodzi o to, żeby sprawdzić, czy odpowiedź AI jest prawdziwa. Bo nie musi być „fałszywa” i wskazywać pewne rzeczywiste różnice między papierem i plastikiem, ale pomijać inne części problemu. I to jest właśnie cenna sytuacja edukacyjna. Uczeń uczy się, że odpowiedź może być częściowo trafna, a jednocześnie zbyt prosta. Co ważne, do takiego ćwiczenia dziecko nie potrzebuje własnego konta ani własnego chatbota. AI znajduje się jeszcze „w rękach nauczyciela”, który decyduje, co pokazać i modeluje sposób analizowania odpowiedzi.

Uczeń korzysta z AI, ale nauczyciel projektuje proces

Gdybyśmy pracowali z tym samym problemem ze starszymi uczniami, moglibyśmy postawić go inaczej:

Od jakich warunków zależy, która torba ma mniejszy wpływ na środowisko?

To już nie jest pytanie o prostą odpowiedź „papier” czy  „plastik”. Nauczyciel może zaprojektować zadanie tak, aby uczeń najpierw sformułował własne stanowisko, potem zapytał AI, porównał odpowiedzi, dopytał o brakujące warunki i sprawdził wybrane informacje w niezależnym źródle. W tym konkretnym zadaniu nauczyciel może zaprojektować pracę tak:

1. Najpierw sformułuj własne stanowisko – bo w tym zadaniu chcemy ćwiczyć właśnie samodzielne ocenianie problemu.
2. Zapytaj AI, od jakich warunków zależy odpowiedź.
3. Porównaj odpowiedź AI ze swoim pomysłem.
4. Dopytaj o to, czego wcześniej nie uwzględniłeś.
5. Wybierz ważne twierdzenie i sprawdź je poza AI.
6. Napisz własną odpowiedź.
7. Co zmieniło się w Twoim myśleniu?

W pracy nad tak przygotowanym zadaniem dzieje się coś ważnego. Uczeń nie tylko otrzymuje odpowiedź AI. Musi się do niej odnieść. Porównuje ją z własnym myśleniem, zadaje dodatkowe pytania, weryfikuje odpowiedzi, wraca do swojego początkowego stanowiska. A na koniec dokonuje refleksji nad swoją pracą, nad tym jak ten proces zmienił jego myślenie. Bo celem zadania nie było uzyskanie bardziej dopracowanej odpowiedzi na pytanie, ale to, by uczeń lepiej zrozumiał sam problem. Czyli stawiamy tu nie tylko na rezultat, ale przede wszystkim na proces, dzięki któremu do niego się dochodzi.

Krytyczna autonomia: nauczyciel daje problem, nie procedurę

Na końcu tej drogi, kiedy przechodzimy do najtrudniejszego poziomu, ten sam problem możemy przedstawić jeszcze inaczej:

Szkoła chce ograniczyć plastikowe torby i zastąpić je papierowymi. Oceń tę decyzję i uzasadnij rekomendację.

Tym razem nauczyciel nie podaje instrukcji: zapytaj AI”, „porównaj”, „sprawdź dwa źródła”. Na tym poziomie coraz więcej decyzji pozostawiamy uczniowi. Dążymy do momentu, kiedy sam potrafi rozpoznać, że potrzebuje kryteriów, ustalić, czego właściwie dotyczy ocena środowiskowa, jakich danych brakuje. Gdy wie, jak uwzględniać różne etapy życia produktu, a do tego zdecydować, które informacje wymagają sprawdzenia. Sam też decyduje, czy AI w ogóle jest mu potrzebna. Może poprosić ją o wskazanie możliwych kryteriów. Może wykorzystać ją do znalezienia kontrargumentów. Ale nie musi.

I to właśnie zasadnicza różnica między zaprojektowanym zadaniem a krytyczną autonomią. W pierwszym przypadku nauczyciel dobiera sposób pracy. W drugim uczeń coraz bardziej potrafi zrobić to sam.

To wymaga nie tylko znajomości sposobów pracy z AI, ale też samodyscypliny i samoregulacji uczenia się. I właśnie dlatego krytyczna autonomia jest trudna. Nie możemy jednak przerzucić całej odpowiedzialności na ucznia. To również sposób projektowania zadań może ułatwiać albo utrudniać wybór drogi, która prowadzi do uczenia się.

Nie ma sensu zakładać, że każdy uczeń szybko osiągnie taki poziom. Niektórzy przez długi czas będą potrzebowali jasno zaprojektowanych zadań, pytań pomocniczych, rutyn myślenia i wsparcia nauczyciela. Dlatego krytycznej autonomii nie traktowałabym jako etapu, który każdy uczeń po prostu „osiąga” w określonym wieku czy klasie. To raczej kierunek rozwoju.

Nie każdy uczeń dojdzie do pełnej samodzielności w pracy z AI. Ale szkoła może stopniowo zwiększać jego odpowiedzialność za sposób korzystania z narzędzia.

Krytyczna autonomia nie jest punktem startowym. Nie jest też gwarantowanym efektem. Jest celem, do którego stopniowo dążymy.

Krytyczna rozmowa z AI

Już wiemy, że krytycznej rozmowy z AI uczeń nie nauczy się od razu. To umiejętność, którą zdobywa stopniowo. Jego droga może wyglądać np. tak:

krytyczna rozmowa bez AI
AI prowadzone przez nauczyciela
AI w zaprojektowanym zadaniu
coraz większa krytyczna autonomia

Ale nie jest to sztywny model ani zestaw etapów, które każdy uczeń musi przejść identycznie. To raczej sposób myślenia o tym, ile odpowiedzialności za sposób pracy przejmuje uczeń, a ile nadal bierze na siebie nauczyciel.

Dla nas ważne jest pamiętanie, że nauki nie zaczynamy od promptów. Najpierw uczymy zatrzymywania się, zadawania pytań, porównywania, zauważania braków i sprawdzania informacji. Bo krytyczna rozmowa z AI zaczyna się wtedy, gdy odpowiedź modelu nie kończy myślenia ucznia, lecz staje się materiałem do dalszej pracy.

---

Rutyny myślowe (Thinking Routines) to krótkie, powtarzalne struktury opracowane przez Project Zero na Uniwersytecie Harvarda, które pomagają uczniom porządkować i ujawniać sposób myślenia. W tym materiale wykorzystuję m.in. Red Light, Yellow Light („Czerwone światło, żółte światło”) – do wychwytywania treści wymagających zatrzymania się i sprawdzenia – oraz Claim – Support – Question („Twierdzenie – Podstawa – Pytanie”) – do formułowania twierdzenia, wskazywania jego podstaw i stawiania dalszych pytań. Więcej o rutynach myślowych Project Zero:

Project Zero, Harvard Graduate School of Education – Thinking Routines:
https://pz.harvard.edu/thinking-routines

Bibliografia

Project Zero, Harvard Graduate School of Education. (2019). Red Light, Yellow Light.

https://pz.harvard.edu/resources/red-light-yellow-light

źródło wykorzystanej w artykule rutyny służącej rozpoznawaniu momentów, w których twierdzenie wymaga zatrzymania się, namysłu lub dalszego sprawdzenia. Project Zero opisuje ją jako rutynę uczącą dostrzegania „problemów prawdy”, m.in. uogólnień, jednostronnych argumentów i mocnych twierdzeń bez uzasadnienia.

Project Zero, Harvard Graduate School of Education. (b.d.). Claim, Support, Question.

https://www.pz.harvard.edu/resources/claim-support-question

źródło rutyny Twierdzenie – Podstawa – Pytanie, której celem jest formułowanie twierdzeń, wskazywanie ich podstaw oraz stawianie pytań ujawniających to, czego twierdzenie lub jego uzasadnienie jeszcze nie wyjaśnia.

---

Dobrym materiałem, który pozwala lepiej zrozumieć, co oznacza sformułowanie “edukacja w czasach AI” i jak się do tych czasów przygotowywać jako nauczyciel – jest newsletter i dołączony do niego e-book, który proponuję jako wsparcie i początek newslettera, który powstał, by pomagać nauczycielom.