Uniwersytet w epoce post-AI

Uniwersytety wielokrotnie dostosowywały się do zmian, także w obszarze nowych technologii. Pojawienie się GenAI różni się jednak od wcześniejszego wprowadzenia wyszukiwarek, platform e-learningowych czy prezentacji multimedialnych. GenAI może uczestniczyć w czynnościach, które dotychczas traktowaliśmy jako dowody pracy intelektualnej studenta: formułowaniu argumentów, pisaniu, programowaniu, analizowaniu danych i tworzeniu rozwiązań.

 W epoce post-AI część dotychczasowych założeń przyjętych w edukacji, przestaje być oczywista, zmienia się paradygmat. Przez lata mogliśmy przyjmować, że przygotowany przez studenta tekst, raport albo projekt w pewnym stopniu odzwierciedla jego wiedzę i umiejętności.

Proces jako cel

Studiowanie powinno prowadzić do rozwoju wiedzy, rozumienia, samodzielności i profesjonalnego osądu. Proces wykonania zadania jest częścią uczenia się.

Tom Chatfield (2025) zwraca uwagę na podstawowe napięcie związane z GenAI: technologia może ułatwiać tworzenie rezultatów przypominających efekt wiedzy i rozumienia, a jednocześnie ograniczać ćwiczenie umiejętności potrzebnych do ich oceny: wiedzy dziedzinowej, krytycznego myślenia, prowadzenia badań, weryfikowania informacji i rozumowania analitycznego. Dlatego innowacje dydaktyczne powinny wynikać z wiedzy o tym, jak uczą się ludzie, a nie tylko z możliwości technologii. 

GenAI ujawnia wcześniejsze słabości systemu

Technologia nie wygenerowała obecnych problemów szkolnictwa wyższego, a uwidoczniła słabości, które wcześniej łatwiej było ignorować:

• zadania sprawdzające przede wszystkim wytworzenie produktu,
• ocenianie oparte na założeniu, że autorstwo produktu jest dowodem uczenia się,
• programy przeładowane treściami,
• niewielką przestrzeń na dialog, informację zwrotną i poprawę,
• jednakowe zadania dla osób o różnych potrzebach i poziomie wiedzy,
• skupienie na przekazywaniu informacji, które są obecnie łatwo dostępne poza uczelnią.

Perkins i Roe (2025) wskazują, że GenAI podważa możliwość traktowania wielu tradycyjnych prac jako wiarygodnego dowodu samodzielnych kompetencji. Jakiej wiedzy, jakich umiejętności i jakich sposobów myślenia uniwersytet chce bronić i rozwijać?

Autorzy zwracają również uwagę, że decyzje dotyczące AI nie są neutralne, dotyczą dostępu, języka, władzy, uznawania różnych rodzajów wiedzy oraz nierówności między studentami i instytucjami. Potrzebujemy wiarygodnych dowodów uczenia się, ale również zaufania i przejrzystych zasad.

Jaką wartość wnosi dziś uniwersytet?

Jeśli dostęp do informacji przestaje być głównym wyróżnikiem uczelni, znaczenia nabierają inne jej funkcje:

• budowanie uporządkowanej wiedzy dziedzinowej,
• uczenie rozpoznawania jakości dowodów,
• rozwijanie profesjonalnego i etycznego osądu,
• tworzenie przestrzeni dialogu, współpracy i sporu opartego na argumentach,
• umożliwianie uczenia się pod opieką ekspertów,
• stawianie problemów, których nie można rozwiązać przez wygenerowanie jednej odpowiedzi,
• przygotowanie do odpowiedzialnego działania w świecie pełnym technologii.

Ian Richardson (2025) traktuje AI jako test zdolności uniwersytetów do zmiany. Jego tekst w Times Higher Education jest głosem publicystycznym, a nie wynikiem badania, ale stawia ważne pytanie: czy uczelnie potraktują AI wyłącznie jako problem techniczny i zagrożenie dla uczciwości akademickiej, czy jako impuls do ponownego przemyślenia swoich celów, programów i sposobów kształcenia? Według autora większym zagrożeniem niż sama AI może być instytucjonalna inercja i brak wyobraźni.

Potrzebujemy świadomych decyzji o tym, gdzie technologia wspiera cele kształcenia, gdzie je osłabia, a gdzie nie jest potrzebna.

Zmienia się rola nauczyciela akademickiego

Wykładowca nie traci znaczenia dlatego, że system może wygenerować wyjaśnienie lub informację zwrotną, jego rola przesuwa się z przekazywania informacji w stronę projektowania warunków, w których student może się uczyć.

Nauczyciel akademicki coraz częściej będzie:

• określał, czego student powinien nauczyć się samodzielnie,
• decydował, kiedy wykorzystanie GenAI wspiera aktywność poznawczą,
• projektował zadania wymagające decyzji, argumentowania i oceny dowodów,
• pomagał studentom rozpoznawać granice wygenerowanych odpowiedzi,
• tworzył warunki do dialogu, współpracy i bezpiecznego popełniania błędów,
• zbierał dowody nie tylko jakości produktu, lecz także rozumienia i samodzielności studenta,
• dbał o dostępność, sprawiedliwość i przejrzystość zasad.

GenAI może zwiększyć możliwości edukacji, ale nie określi jej celów. Decyzje o tym, czego warto uczyć, jakich procesów nie należy delegować i co powinno pozostać przedmiotem ludzkiej odpowiedzialności, należą do społeczności akademickiej.

Do refleksji

Pomyśl o prowadzonym przez siebie przedmiocie:

1. Które zadania sprawdzają rzeczywiste uczenie się, a które przede wszystkim jakość końcowego produktu?
2. Jakie czynności poznawcze student może obecnie przekazać GenAI?
3. Które elementy wiedzy i umiejętności powinien opanować, zanim zacznie korzystać ze wsparcia technologii?
4. Jakich kompetencji będzie potrzebował absolwent, aby odpowiedzialnie pracować z AI?
5. Co może zaoferować studentowi uczelnia, czego nie zapewni mu sam dostęp do narzędzia?

Ten kurs ma pomóc Ci w podejmowaniu bardziej świadomych decyzji w nowej rzeczywistości.

W kolejnych modułach przyjrzysz się temu, jak GenAI może wspierać lub osłabiać uczenie się, jak projektować wartościowe interakcje z technologią, jak zbierać dowody samodzielności studenta oraz jak tworzyć przejrzyste i odpowiedzialne zasady jej wykorzystania.