„Sprawdzaj odpowiedzi AI.” „Nie ufaj bezkrytycznie.” „Korzystaj z AI rozsądnie.”

Niektóre błędy AI stosunkowo łatwo zauważyć – zwłaszcza gdy model podaje nieistniejące źródło, błędną datę albo łatwo zauważalną fałszywą informację. Ale co właściwie ma zrobić uczeń, kiedy dostaje odpowiedź, która brzmi dobrze? Kiedy powinien dopytać? Co porównać? Co sprawdzić? Skąd ma wiedzieć, że odpowiedź nie jest całkiem błędna, ale jednak coś w niej nie gra?

A właśnie tutaj zaczyna się właściwa krytyczna rozmowa z AI. Nie chodzi przecież tylko o sprawdzenie, czy model podał fałszywą informację, ale o taki sposób pracy, w którym odpowiedź AI nie kończy myślenia użytkownika, lecz staje się materiałem do dalszego dociekania, porównywania, weryfikowania i budowania własnego rozumienia.

Ale na początek, zanim zacznę pisać o niej więcej  – uporządkujmy pojęcia. Najszersza kompetencja w tym tekście to krytyczne myślenie. Krytyczne korzystanie z AI obejmuje różne decyzje związane z technologią – także decyzję, że w danej sytuacji wcale nie warto jej używać. Krytyczna rozmowa z AI jest jednym ze sposobów takiego korzystania: dotyczy tego, co robimy z odpowiedzią modelu i jak prowadzimy dalszą interakcję.

Problem nie zawsze polega na tym, że AI się myli

Najłatwiej zauważyć problem wtedy, gdy AI podaje nieistniejący link, czy książkę, błędną datę albo przypisuje komuś słowa, których nie wypowiedział. Trudniejsze są odpowiedzi, które brzmią rozsądnie.

Wyobraźmy sobie, że pytamy AI: Jak informacja zwrotna wpływa na uczenie się uczniów?

Model odpowiada: Informacja zwrotna pomaga uczniom uczyć się skuteczniej. Powinna być szybka, konkretna i pozytywna. Dzięki niej uczeń wie, co zrobił dobrze, co powinien poprawić i łatwiej robi postępy. Regularny feedback zwiększa też motywację i zaangażowanie ucznia.

Nie ma tu spektakularnego błędu, a większość zdań brzmi znajomo. I właśnie dlatego ta odpowiedź brzmi tak wiarygodnie. A jednak i tu można się zatrzymać.

Czy feedback zawsze powinien być szybki, czy raczej zależy to od charakteru zadania? Co właściwie kryje się pod słowem „pozytywny” – akceptujący czy raczej konstruktywny? I czy regularna informacja zwrotna rzeczywiście zwiększa motywację każdego ucznia, czy jej skuteczność zależy od warunków i wyjątków, których odpowiedź nie wymienia?

Roe, Perkins i Furze, jako jeden ze sposobów rozwijania krytycznego rozumienia AI, proponują metaforę krzywego zwierciadła.

Obraz nadal przypomina rzeczywistość, ale proporcje mogą być przesunięte. Generatywna AI może więc nie tylko podawać informacje błędne, lecz także upraszczać, spłaszczać złożoność czy reprodukować określone wzorce i uprzedzenia. Sami autorzy traktują tę metaforę jako propozycję dydaktyczną, która wymaga dalszych badań nad skutecznością.

To ważne rozróżnienie.

Odpowiedź AI nie musi być fałszywa, żeby wymagała krytycznej analizy – może być po prostu zbyt ogólna, nadmiernie pewna siebie, pozbawiona istotnych warunków, jednostronna, niepełna, albo oparta na założeniach, których nikt nie wypowiedział wprost.

Dlatego krytycznego korzystania z AI nie można sprowadzić do jednego pytania: „Czy to jest prawda?”

Potrzebujemy punktów odniesienia

Kiedy analizujemy odpowiedź dotyczącą tematu, który dobrze znamy, jest nam łatwiej. Możemy porównać ją z własną wiedzą i doświadczeniem. Trudniej jest wtedy, gdy pytamy AI o coś czego nie znamy.

Nie oznacza to, że uczeń, który dopiero poznaje dany temat, nie może myśleć krytycznie. Może korzystać z rutyn myślenia, różnorodnych źródeł, porównywania odpowiedzi różnych modeli czy też po prostu wsparcia nauczyciela. Ale im mniej mamy wiedzy i punktów odniesienia, tym trudniej samodzielnie ocenić, czy odpowiedź nie upraszcza problemu albo nie pomija czegoś istotnego.

Ale pytanie modelu „Czy jesteś pewny?” nie jest jeszcze wystarczającą weryfikacją. Bo nie jest weryfikacją niezależną. Model może wygenerować kolejną odpowiedź, korektę albo uzasadnienie. Nadal pozostajemy wewnątrz tego samego systemu, który mógł popełnić błąd, a my po prostu pytamy go, czy ufa sam sobie, zamiast sprawdzić coś poza nim.
Jeśli dane twierdzenie jest kluczowe dla naszej oceny lub decyzji, nie wystarczy dopytać AI. Trzeba wyjść poza model. Poszukać źródła, badania, dokumentu, danych albo opinii eksperta.

Krytyczna rozmowa nie kończy się na pierwszej odpowiedzi

Jednym z ciekawszych badań nad pracą uczniów z generatywną AI jest badanie Tanga i współpracowników przeprowadzone w klasie 10. Autorzy analizowali, jak uczniowie rozwijają critical questioning, czyli krytyczne dopytywanie podczas pracy z GenAI, oraz jakie warunki sprzyjają takiej pracy. Badanie miało charakter action research i opierało się m.in. na obserwacjach, wywiadach i zapisach rozmów uczniów z AI. Autorzy podkreślają znaczenie projektu dydaktycznego, roli nauczyciela, wiedzy i dyspozycji uczniów oraz sposobu działania samego narzędzia. Innymi słowy: to, czy uczeń w ogóle zacznie dopytywać, zależy od tego, jak nauczyciel zaprojektował zadanie, ile uczeń już wie na dany temat i czy samo narzędzie w swojej odpowiedzi zostawia miejsce na wątpliwość, czy raczej brzmi tak stanowczo, że zniechęca do drążenia.

To ważne, bo pokazuje, że sama dostępność AI nie wystarcza. Uczeń może przecież zadać jedno pytanie, dostać odpowiedź i na tym skończyć rozmowę.

Krytyczne dopytywanie może jednak wyglądać inaczej – uczeń pogłębia odpowiedź, poszerza ją o inne perspektywy, pyta o kontekst, próbuje wyjaśnić własne rozumienie i sprawdza istotne informacje – a nie tylko przyjmuje pierwszy komunikat jako gotowy.

Warto tu jednak dodać ważną uwagę – samo zadawanie kolejnych pytań nie jest jeszcze dowodem krytycznego myślenia. Można mechanicznie wypisać pięć promptów i nadal niewiele zrozumieć.

Liczy się nie tylko to, czy uczeń pyta, ale po co pyta, co robi z odpowiedzią, czy potrafi zauważyć w niej problem, czy zmienia dzięki temu własne rozumienie i, co bardzo ważne, czy wie, kiedy rozmowa z AI już nie wystarczy.

Nie chodzi o „lepszy prompt”

Kolejny problem to pokusa, by zbudować jedną gotową listę dobrych pytań do zadawania modelowi. To jest jednak pułapka, w którą nie chcemy wpaść – nie chcemy przekształcić idei krytycznej rozmowy w jedynie słuszną, zawsze działającą instrukcję typu „zadaj AI tych pięć pytań”.

Na początku potrzebujemy jednak pewnych struktur, które pomagają takie myślenie uruchomić. Temu mogą służyć rutyny myślowe, np.:

Twierdzenie – Podstawa – Pytanie

Co AI właściwie twierdzi?
Na czym opiera tę odpowiedź?
Czego nadal nie wiemy?

albo:

Żółte światło

Co w tej odpowiedzi powinno mnie zatrzymać?
Który fragment wymaga doprecyzowania lub sprawdzenia?

Różnica jest istotna. Rutyna nie ma dostarczać gotowego zestawu promptów, lecz modelować sposób myślenia. Na początku pytania są podane przez nauczyciela. Później uczeń powinien coraz częściej sam rozpoznawać, kiedy potrzebuje uzasadnienia, kiedy kontrargumentu, kiedy dodatkowych danych, a kiedy trzeba wyjść poza AI.

Dlatego celem nie jest nauczenie ucznia pięciu dobrych pytań. Celem jest doprowadzenie do sytuacji, w której uczeń sam potrafi rozpoznać, jakie pytanie warto zadać – albo że zamiast kolejnego pytania do AI potrzebne jest sprawdzenie źródła, danych czy dokumentu.

I właśnie na tym polega różnica: lista pytań może uruchomić myślenie, ale nie powinna go zastępować.

DIDACT.IA jako mapa możliwych działań

Ciekawą próbę uporządkowania takich działań proponuje Manuel Area-Moreira w modelu DIDACT.IA. Wyróżnia sześć wymiarów pracy z generatywną AI: dociekanie, porównywanie, krytyczny dialog, weryfikację, własne przepracowanie i refleksję.

Nie traktowałabym jednak DIDACT.IA jako instrukcji do wykonania krok po kroku. Bardziej użyteczna wydaje mi się jako mapa możliwych aktywności – pokazująca, do jakiej samodzielnej, refleksyjnej i krytycznej pracy z AI warto stopniowo przygotowywać uczniów.

W jednym zadaniu najważniejsze będzie porównanie dwóch odpowiedzi. W innym – sprawdzenie jednego kluczowego twierdzenia. Jeszcze w innym – zauważenie ukrytego założenia albo poszukanie brakującej perspektywy. Nie trzeba za każdym razem wykonywać wszystkiego.

Szczególnie ważne są jednak dwa elementy: własne przepracowanie i refleksja. Bo celem krytycznej rozmowy nie powinno być wyłącznie wygenerowanie lepszej odpowiedzi przez AI. Pytanie brzmi także: Co ja z tego rozumiem? Co zmieniło się w moim stanowisku? Co jestem teraz w stanie wyjaśnić własnymi słowami?

Po czym poznać krytyczną rozmowę z AI?

Zarówno metafora krzywego zwierciadła, jak i model DIDACT.IA pokazują możliwe drogi krytycznej pracy z AI, ale żadna z nich nie daje gotowej definicji – spróbujmy więc ująć to prościej.

Można tu mówić o czterech cechach, które się wzajemnie dopełniają.
Po pierwsze, użytkownik ma własny cel poznawczy – nie musi znać odpowiedzi, ale wie, czego chce się dowiedzieć, sprawdzić, porównać albo rozstrzygnąć, i to on, nie model, wyznacza kierunek pytań.

Po drugie, pierwsza odpowiedź jest punktem wyjścia, a nie końcem procesu – ma uruchamiać dalsze myślenie, a nie je zamykać.

Po trzecie, użytkownik potrafi rozpoznać moment, w którym rozmowa z AI już nie wystarcza. Jeśli istotne twierdzenie, liczba albo źródło wymagają potwierdzenia, wychodzi poza model i sięga do niezależnych źródeł.

Po czwarte – i to najważniejsze – efektem rozmowy jest nie tylko lepszy tekst wygenerowany przez AI, lecz  lepsze rozumienie po stronie użytkownika, to co sam rozumie, potrafi uzasadnić i jest gotów uznać za własne stanowisko. To właśnie odróżnia krytyczną rozmowę od kolejnego poprawiania odpowiedzi AI.

Dlatego „bądź krytyczny” rzeczywiście nie wystarcza. Krytycznej rozmowy z AI trzeba się uczyć. To nie jest umiejętność, którą się zdobywa raz. To nawyk, który się regularnie ćwiczy. Najpierw poprzez pytania i rutyny myślenia, potem przez coraz bardziej samodzielne rozpoznawanie, co warto zakwestionować, sprawdzić, porównać i kiedy trzeba wyjść poza AI.

---

Bibliografia

Area-Moreira, M. (2026). Bases teóricas para una didáctica universitaria con la Inteligencia Artificial (IA) generativa. El modelo DIDACT.IA. Revista Latinoamericana de Tecnología Educativa – RELATEC, 25(2), 17–34. https://doi.org/10.17398/1695-288X.25.2.17

Roe, J., Perkins, M., & Furze, L. (2025). Reflecting reality, amplifying bias? Using metaphors to teach critical AI literacy. Journal of Interactive Media in Education, 2025(1), Article 18, 1–15. https://doi.org/10.5334/jime.961

Tang, K.-S., Cooper, G., Rappa, N., & Edwards, J. (2026). Critical questioning with generative AI: Developing AI literacy in secondary education. Thinking Skills and Creativity, 59, 102043. https://doi.org/10.1016/j.tsc.2025.102043

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

---

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.