Eseje ze wsparciem AI: poligon doświadczalny i otwarty brudnopis

Narzędzia do maglowania, skansen, fot. S. Czachorowski

Zapewne czytelnicy zastanawiają się dlaczego w ostatnim semestrze pojawiło się sporo treści, pisanej przez studentów przy wsparciu narzędzi AI. Niniejszy wpis poświęcamy zjawisku, które w ostatnim czasie staje się coraz bardziej widoczne na naszych uczelnianych korytarzach i w wirtualnych przestrzeniach – esejom studenckim tworzonym z wykorzystaniem narzędzi sztucznej inteligencji. Zamiast obawiać się tej nowej rzeczywistości, postanowiłem spojrzeć na nią z perspektywy dydaktycznej, traktując ten blog jako poligon doświadczalny i otwarty brudnopis dla wspólnego uczenia się.

Zastanawiacie się, dlaczego coraz częściej trafiają do nas prace studentów, w których wyraźnie widać ślady wsparcia AI? Odpowiedź jest prostsza, niż mogłoby się wydawać, i doskonale wpisuje się w znany nam wszystkim Cykl Kolba. Studenci, podobnie jak my wszyscy, uczą się najlepiej przez doświadczanie. Widzą, że narzędzia AI są dostępne, a ich rówieśnicy z nich korzystają. Naturalnym odruchem jest więc sięgnięcie po nie, aby sprawdzić, "jak to działa". I ja, jako wykładowca nie tylko nie zabraniam korzystania z AI ale wręcz zachęcam. PO prostu uczmy się razem, rozpoznajmy możliwości i zastanówmy się nie tylko nad efektywnością lecz i nad etycznymi wątpliwościami. 

To właśnie ten moment doświadczania – pierwsze próby z generowaniem tekstu, parafrazowaniem, czy wyszukiwaniem informacji za pomocą AI – jest kluczowy. Po nim następuje refleksja: studenci oceniają jakość wygenerowanego materiału, porównują go ze swoją wiedzą, zastanawiają się, co poszło dobrze, a co można poprawić. Następnie przychodzi czas na wiązanie z teorią, czyli próba zrozumienia, jak narzędzia AI wpisują się w proces pisania naukowego, jakie są ich ograniczenia, a jakie możliwości. Wreszcie, cykl zamyka ponowne zastosowanie – już bardziej świadome i ukierunkowane wykorzystanie AI w kolejnych projektach.

Uczenie się wykorzystania narzędzi AI to dla wielu studentów proces pisania publicznego, a nie tylko "do szuflady" wykładowcy. Możliwość zobaczenia nie tylko własnego tekstu, ale i prac innych studentów, pozwala na porównanie efektów i wspólne wyciąganie wniosków. To nic innego jak uczenie się przez działanie.

Pytanie, które często się pojawia, brzmi: czy narzędzia AI pomagają w pisaniu? Odpowiedź brzmi: zdecydowanie tak, ale z pewnymi zastrzeżeniami. AI to potężne narzędzie, które może wspierać proces pisania na wielu płaszczyznach:

• Generowanie pomysłów i szkiców: AI może szybko stworzyć zarys tekstu, podsunąć różne perspektywy czy argumenty, co może być doskonałym punktem wyjścia.
• Poprawa stylistyki i gramatyki: Narzędzia te potrafią wskazać błędy językowe, zasugerować lepsze sformułowania czy dopasować ton tekstu do jego przeznaczenia.
• Synteza informacji: AI może pomóc w szybkim przetworzeniu dużej ilości danych i wyselekcjonowaniu kluczowych informacji.

Jednakże, co niezwykle ważne, AI nie zastępuje twórczości studenta. To właśnie na studencie spoczywa odpowiedzialność za krytyczną analizę, weryfikację faktów, formułowanie własnych, oryginalnych myśli oraz nadanie tekstowi osobistego charakteru i głębi. AI to wsparcie, swoista "proteza" pisarska, ale to autor pozostaje mózgiem operacji.

AI w programie studiów? Jeszcze nie ma, wiec uczymy się na bieżąco! Tu i teraz, z tym co mamy do dyspozycji. Na przykład na zajęciach z ochrony środowiska. Obecnie w programie studiów nie mamy oddzielnego przedmiotu zatytułowanego "Narzędzia AI w pracy naukowej i pisaniu tekstów". I być może wcale go nie potrzebujemy! Zamiast tego, proponujemy uczenie się "przy okazji" innych przedmiotów.

Wyobraźmy sobie zajęcia z ochrony środowiska. Podczas gdy studenci zgłębiają złożoność ekosystemów i wyzwania klimatyczne, mogą jednocześnie poznawać narzędzia AI, wykorzystując je do gromadzenia danych, analizy raportów czy nawet tworzenia krótkich podsumowań polityk środowiskowych. Kluczowe jest tutaj ocenianie efektów – czy tekst wygenerowany przez AI jest zgodny z faktami? Czy jest rzetelny? Czy spełnia wymogi akademickie? A przede wszystkim, ciągłe myślenie, jak lepiej wykorzystać AI i do czego konkretnie się nadaje. Na banalne pytania (prompty) uzyskujemy banalne odpowiedzi.  Trzeba wiec umieć pytać, wiedzieć o co zapytać, jakie dane umieścić w prompcie itd.

Ten blog to nasza wspólna przestrzeń do dyskusji na ten temat. Zachęcamy do dzielenia się swoimi doświadczeniami, pytaniami i refleksjami. Razem możemy zbudować świadome podejście do wykorzystania AI w edukacji, tak aby stało się ono sprzymierzeńcem w rozwoju, a nie zagrożeniem dla samodzielnego myślenia. Uczymy się przez praktyczne działanie, przez dyskusję i nie boimy się własnych błędów. Bo błąd nie musi oznaczać porażki. Jest nieodzownym elementem procesu uczenia się.

Blog jest przestrzenią do bezpiecznego uczenia się, do zbierania doświadczenia. Kolejnym krokiem jest refleksja i wiązanie doświadczenia z teorią. Pora więc na wyjaśnienie czym jest cykl Kolba. To jedna z najbardziej wpływowych i coraz częściej stosowanych teorii edukacyjnych,  dotyczących uczenia się przez doświadczenie, opracowana przez amerykańskiego psychologa Davida A. Kolba.

Kolb zakłada, że efektywne uczenie się to proces cykliczny, który składa się z czterech głównych etapów: konkretne doświadczenie, refleksyjna obserwacja, abstrakcyjna konceptualizacja i aktywne eksperymentowanie 

Konkretne doświadczenie (Concrete Experience - CE): To etap, w którym uczący się bezpośrednio doświadcza czegoś nowego, bierze udział w jakiejś aktywności, wykonuje zadanie, obserwuje zjawisko. To jest ten moment "robienia" lub "przeżywania". W kontekście pisania esejów z AI, to moment, w którym student faktycznie próbuje wygenerować tekst, parafrazować, czy edytować materiał za pomocą narzędzia AI.

Refleksyjna obserwacja (Reflective Observation - RO): Po doświadczeniu następuje faza refleksji. Uczący się zastanawia się nad tym, co się wydarzyło, analizuje swoje doświadczenie, obserwuje efekty, porównuje je z oczekiwaniami. Zadaje sobie pytania: "Co się stało?", "Co czułem/łam?", "Co poszło dobrze, a co źle?". W przypadku esejów z AI, to analiza wygenerowanego tekstu, ocena jego jakości, spójności, oryginalności.

Abstrakcyjna konceptualizacja (Abstract Conceptualization - AC): Na tym etapie uczący się tworzy uogólnienia, wyciąga wnioski z obserwacji i refleksji, formułuje zasady, teorie lub modele. Próbuje zrozumieć "dlaczego" coś działa w taki, a nie inny sposób. To moment łączenia praktyki z teorią. W kontekście AI, to próba zrozumienia, jak algorytmy AI generują tekst, jakie są ich mocne i słabe strony, w jakich sytuacjach są najbardziej przydatne, a kiedy mogą wprowadzać w błąd.

Aktywne eksperymentowanie (Active Experimentation - AE): Ostatni etap cyklu, w którym uczący się wykorzystuje zdobyte wnioski i teorie w praktyce, aby aktywnie eksperymentować, testować nowe rozwiązania i działać w zmieniony sposób. To jest ponowne "robienie", ale już bardziej świadome i ukierunkowane. W kontekście pisania z AI, to zastosowanie nowo zdobytej wiedzy o narzędziach AI w kolejnym projekcie, już z pełniejszym zrozumieniem ich możliwości i ograniczeń, świadomie wybierając odpowiednie narzędzia do konkretnych zadań.

Kluczowe aspekty Cyklu Kolba:

• Cykliczność: proces uczenia się nie jest liniowy, ale cykliczny. Po przejściu przez wszystkie etapy, nowe doświadczenie rozpoczyna kolejny cykl.
• Indywidualność: Kolb podkreśla, że ludzie mogą rozpoczynać cykl od różnych etapów i preferować różne style uczenia się, co wpływa na to, na które etapy kładą największy nacisk.
• Całościowe uczenie się: Teoria Kolba uwzględnia zarówno aspekt poznawczy (myślenie), emocjonalny (odczuwanie), jak i behawioralny (działanie).

Właśnie dlatego odniosłem się do Cyklu Kolba na początku tego tekstu – to doskonałe narzędzie do zrozumienia, jak studenci (i my wszyscy!) uczą się nowych umiejętności, takich jak efektywne wykorzystanie narzędzi AI. To nie tylko kwestia technicznej obsługi, ale przede wszystkim świadomego procesu poznawczego, opartego na doświadczeniu, refleksji i ciągłym doskonaleniu.

Stanisław Czachorowski

(tekst powstał przy wsparciu Gemini)