Agent AI Uniwersytetu Bar-Ilan pomaga studentom nadrobić zaległości, ale nauczanie wciąż należy do kadry

Uniwersytet Bar-Ilan rozszerzył wdrożenie agenta AI do nauki po tym, jak pilotaż obejmujący 71 kursów dotarł do około 2400 studentów, mimo ograniczonych dowodów na jego wpływ akademicki. Agent AI Uniwersytetu Bar-Ilan przeszukuje zatwierdzone materiały kursowe, tworzy podsumowania i generuje pytania ćwiczeniowe w Moodle.

Takie kontrolowane podejście odróżnia projekt od sytuacji, w której studenci wklejają notatki z wykładów do publicznego chatbota. Członkowie kadry decydują, które nagrania, transkrypcje, prezentacje i artykuły trafiają do systemu. Studenci zadają następnie pytania bazie wiedzy dotyczącej konkretnego kursu, a nie otwartemu internetowi.

To rozróżnienie tworzy też główne napięcie projektu. Ograniczenie źródeł agenta może zmniejszyć liczbę nieistotnych odpowiedzi, ale nie gwarantuje trafnych wyjaśnień ani lepszych efektów nauki. Bar-Ilan musi teraz wykazać, że wygodne wyszukiwanie wspiera rozumienie, zamiast zastępować trudną pracę konieczną do jego osiągnięcia.

Agent AI Uniwersytetu Bar-Ilan wykracza poza niewielki pilotaż

Bar-Ilan przekształcił eksperymentalnego asystenta edukacyjnego w szerszy test AI opartej na materiałach kursowych.

Według opisanego przez Microsoft wdrożenia uniwersytet uruchomił pilotaż agenta w lutym 2026 roku. Początkowe wdrożenie objęło 71 kursów i około 2400 studentów.

Bar-Ilan planuje dodać kolejne 100 kursów w pierwszym semestrze roku akademickiego 2026/27. To istotne rozszerzenie, ponieważ wyprowadza system poza grupę kilku szczególnie zaangażowanych wykładowców.

Uniwersytet ma ponad 20 000 studentów w Ramat Gan, niedaleko Tel Awiwu. Rozszerzone wdrożenie nadal obejmuje tylko część instytucji, ale tworzy większy test operacyjny.

Studenci korzystają z agenta przez Moodle, system zarządzania nauczaniem używany już do działań kursowych. To znane środowisko ma znaczenie, ponieważ studenci nie muszą wdrażać osobnej platformy do nauki.

Agent obsługuje hebrajski, arabski i angielski. Jego baza wiedzy kursowej może obejmować nagrane wykłady, transkrypcje, slajdy, artykuły naukowe, zadania i inne zasoby wybrane przez kadrę.

Student może zapytać, gdzie wykładowca omawiał konkretne zagadnienie. Agent może odnaleźć odpowiedni materiał, skondensować go i przygotować pytania do samodzielnego sprawdzenia wiedzy.

Funkcje te odpowiadają na powszechny problem po nieobecności. Opuszczenie jednego wykładu oznacza więcej niż pustą stronę w notatniku. Późniejszy materiał często opiera się na definicjach, przykładach i argumentach wprowadzonych podczas tych zajęć.

Yarden Shay, studentka kryminologii i psychologii, opisała tę narastającą lukę w relacji Microsoftu. Wcześniej polegała na notatkach kolegów, jednocześnie radząc sobie z sześcioma do ośmiu godzin nowych wykładów każdego dnia.

Shay wykorzystuje teraz agenta do powtarzania materiału kursowego i sprawdzania się za pomocą pytań wielokrotnego wyboru oraz pytań otwartych. Powiedziała Microsoftowi, że jej codzienny czas nauki po wykładach spadł z pięciu lub sześciu godzin do około trzech.

Ta relacja przedstawia konkretny przypadek użycia, ale nadal pozostaje doświadczeniem jednej studentki. Nie dowodzi, że każdy uczestnik zaoszczędził czas lub uczył się skuteczniej.

Projekt ma też dłuższą historię, niż sugeruje najnowsze wdrożenie. Bar-Ilan ogłosił pierwotny pilotaż z 2024 roku, obejmujący 15 kursów i 15 wykładowców z dziedzin takich jak prawo, psychologia, fizyka, inżynieria i historia.

Ten wcześniejszy asystent wyrósł z narzędzia opracowanego dla żołnierzy rezerwy, którzy potrzebowali pomocy w nadrobieniu opuszczonych zajęć. Projekt od początku koncentrował się więc na ciągłości i dostępie, a nie na automatycznym tworzeniu esejów.

Jego rozszerzona forma odzwierciedla ten sam cel. Agent pomaga studentom poruszać się po materiałach zatwierdzonych już przez ich wykładowców, zamiast tworzyć niezależny program nauczania.

System korzysta z Azure AI Services i Microsoft Copilot Studio. W jego rozwoju uczestniczyły KPMG i OpenApp, a kadra dydaktyczna Bar-Ilan dostarczała oraz weryfikowała treści akademickie.

To połączenie sprawia, że wdrożenie jest mniej autonomiczne, niż mogłoby sugerować słowo „agent”. Oprogramowanie wyszukuje, podsumowuje i generuje aktywności edukacyjne, lecz to członkowie kadry wyznaczają granice jego wiedzy.

Właśnie ta wąska rola sprawia, że projekt zasługuje na uwagę. Bar-Ilan testuje, czy uniwersytety mogą uczynić generatywną AI użyteczną przez ograniczenie zakresu jej wiedzy.

Odpowiedzi oparte na źródłach zmieniają debatę o AI na uczelniach

Największą zaletą nie jest nieograniczona inteligencja, lecz celowo ograniczona baza wiedzy.

Chatboty ogólnego przeznaczenia mogą odpowiadać na pytania z niemal każdej dziedziny. Ta szerokość zastosowań jest przydatna, ale słabo pasuje do kursów ze specyficzną terminologią, obowiązkowymi lekturami lub spornymi interpretacjami.

Szeroki model może wyjaśnić pojęcie prawne, odwołując się do innej jurysdykcji. Może podkreślić teorię, której wykładowca nigdy nie zadał, albo przedstawić nieaktualną definicję.

Agent Bar-Ilan korzysta natomiast z ugruntowania w wyszukiwaniu. Proces ten dostarcza modelowi językowemu wybrane materiały źródłowe, aby jego odpowiedź ściślej opierała się na tych materiałach.

Mechanizmy kontroli ugruntowania Microsoftu pozwalają twórcom łączyć agentów z określonymi plikami i innymi źródłami wiedzy. Twórcy mogą też decydować, czy agent powinien korzystać z ogólnej wiedzy modelu.

Microsoft twierdzi, że wdrożenie Bar-Ilan jest ugruntowane wyłącznie w materiałach przesłanych przez kadrę dydaktyczną. Agent działa więc bardziej jak konwersacyjny interfejs do każdego kursu niż niezależny korepetytor online.

Takie podejście zwiększa trafność, ale „ugruntowany” nie znaczy nieomylny. Model wciąż może źle podsumować fragment, połączyć odrębne idee lub wyrazić niepewność z nieuzasadnioną pewnością siebie.

Decydująca staje się również jakość źródeł. Zwięzłe slajdy mogą sprawdzać się jako wskazówki podczas wykładu na żywo, ale dostarczać zbyt mało kontekstu dla automatycznego wyjaśnienia.

Wykładowca Eliyahu Biton zetknął się z tym ograniczeniem podczas przygotowywania kursów z prawa i etyki ochrony zdrowia. Rozwinął punkty ze slajdów, dodał szczegółowe opracowania, dostarczył transkrypcje wykładów i wielokrotnie testował odpowiedzi.

Jego doświadczenie ujawnia ukryty mechanizm stojący za dopracowanym interfejsem studenckim. Agent staje się użyteczny dopiero wtedy, gdy wykładowcy przekształcą ukrytą wiedzę z zajęć w jawną, możliwą do odczytania przez maszynę treść.

To dobrze znane wyzwanie w zarządzaniu wiedzą osobistą. Jakość wyszukiwania zależy od tego, jak jasno informacje zostaną uchwycone, uporządkowane i połączone, zanim padnie pytanie.

Dla studentów kontrolowany zbiór materiałów oferuje jeszcze jedną zaletę. Podsumowanie może pozostać zgodne z kolejnością nauczania przyjętą przez wykładowcę, zamiast czerpać definicje z niepowiązanych stron internetowych.

Taka spójność może być szczególnie pomocna, gdy studenci uczą się w drugim języku. Może również ograniczyć czas poświęcany na przełączanie się między nagraniami wideo, zestawami slajdów, lekturami i notatkami kolegów.

Interfejs w trzech językach zwiększa dostępność, chociaż dostępne relacje nie porównują jakości odpowiedzi po hebrajsku, arabsku i angielsku. Tłumaczenie oraz wielojęzyczne wyszukiwanie pozostają ważnymi obszarami do testowania.

Ugruntowanie w materiałach kursowych zmienia też sposób, w jaki wykładowcy mogą oceniać błędy. Gdy odpowiedź wygląda na błędną, mogą sprawdzić zatwierdzone materiały źródłowe i ustalić, czy problem zaczął się w treści, czy w modelu.

Publiczny chatbot daje mniej kontroli. Jego odpowiedź może odzwierciedlać dane treningowe, wyniki z internetu na żywo, materiały przesłane przez użytkownika, instrukcje systemowe lub kilka źródeł połączonych razem.

Podejście Bar-Ilan daje kadrze mniejszą powierzchnię błędów. Nie usuwa jej jednak.

To rozróżnienie powinno kierować sposobem korzystania z narzędzia przez studentów. Agent może pomóc odnajdywać i utrwalać wiedzę kursową, ale sporne odpowiedzi nadal wymagają konsultacji z wykładowcą lub autorytatywnej lektury.

Projekt pozwala też uniknąć jednego powszechnego nieporozumienia dotyczącego AI w edukacji. Więcej informacji nie zawsze jest celem.

Studenci mają już nagrania, slajdy, artykuły i internetowe bazy danych. Ich problemem często jest znalezienie właściwego wyjaśnienia w chwili dezorientacji.

Agent oparty na materiałach kursowych zmienia interfejs dostępu do tych informacji. To, czy zmienia uczenie się, zależy od tego, jak studenci reagują po otrzymaniu wyników wyszukiwania.

Asystent dydaktyczny AI tworzy więcej pracy, zanim zacznie ją oszczędzać

Asystent dydaktyczny AI przenosi wysiłek kadry z odpowiadania na powtarzające się pytania na przygotowywanie i nadzorowanie wielokrotnego użytku wiedzy kursowej.

Projekt Bar-Ilan jest często opisywany przez pryzmat wygody studentów, ale przygotowania Bitona pokazują koszt instytucjonalny. Skuteczny agent wymaga czegoś więcej niż przesłania starego folderu ze slajdami.

Kadra musi przejrzeć nagrania, oczyścić transkrypcje, rozwinąć skróty myślowe, usunąć sprzeczności i wskazać nieaktualne lektury. Musi też testować pytania, które prawdopodobnie zadadzą studenci.

Ta praca przypomina tworzenie nowego zasobu dydaktycznego. Różnica polega na tym, że studenci mogą go badać w rozmowie, zamiast korzystać z ustalonego dokumentu.

W przypadku Bitona inwestycja wydaje się ograniczyć liczbę rutynowych i administracyjnych pytań. Zgłosił też, że studenci sprawiali wrażenie mniej zestresowanych przed egzaminami.

Studenci mogą prosić agenta o tworzenie nowych egzaminów próbnych, zamiast polegać wyłącznie na archiwalnych pytaniach. Otrzymują natychmiastową informację zwrotną wyjaśniającą, dlaczego odpowiedź jest poprawna lub niepoprawna.

To zastosowanie wykracza poza bierne podsumowywanie. Wyszukiwanie odnajduje informacje, a generowane quizy proszą studentów o ich przypomnienie i zastosowanie.

Ćwiczenia mogą wspierać uczenie się, gdy studenci naprawdę próbują odpowiedzieć. Stają się mniej użyteczne, gdy od razu proszą o rozwiązanie i mylą rozpoznawanie z opanowaniem materiału.

Asystent dydaktyczny AI potrzebuje więc świadomie zaprojektowanych ograniczeń. Powinien zachęcać do wysiłku, wskazywać dowody i kierować niejednoznaczne pytania z powrotem do ludzkich wykładowców.

Rola wykładowcy zmienia się w tym modelu, ale nie znika. Kadra staje się odpowiedzialna zarówno za nauczanie przedmiotu, jak i za środowisko informacyjne otaczające agenta.

Biton opisał swoją zmieniającą się rolę jako bardziej skoncentrowaną na mentoringu. Nadal prowadzi 90-minutowe sesje od czterech do sześciu razy w roku, poświęcone głębszej dyskusji.

Spotkania te zachowują coś, czego system wyszukiwania nie potrafi wiarygodnie odtworzyć. Wykładowca może zbadać tok rozumowania studenta, zakwestionować założenia i dostosować się do dezorientacji, której wcześniej nie przewidziano.

Taki podział pracy jest bardziej wiarygodny niż narracja o zastępowaniu ludzi. Agent obsługuje powtarzalne zadania związane z dostępem i ćwiczeniami, a wykładowca zajmuje się osądem i rozwojem intelektualnym.

Układ ten może jednak nierówno obciążać kadrę. Wykładowca dysponujący rozbudowanymi materiałami cyfrowymi może przygotować agenta łatwiej niż osoba prowadząca zajęcia poprzez dyskusje, laboratoria lub zmieniające się badania terenowe.

Na przydatność wpływa też projekt kursu. Moduł wprowadzający, oparty na faktach, oferuje wyraźniejszy materiał do ugruntowania niż seminarium zbudowane wokół interpretacji i sporów.

Uniwersytety powinny więc unikać traktowania gotowości do wdrożenia agenta jako wskaźnika jakości nauczania. Niektóre znakomite formy dydaktyki nie tworzą dużego archiwum dokumentów nadających się do ponownego wykorzystania.

Kolejnym kosztem jest utrzymanie. Prawo się zmienia, badania postępują, a wykładowcy rewidują swoje argumenty. Odpowiedź oparta na ubiegłorocznym zaufanym pliku może być dziś nadal błędna.

Każdy kurs potrzebuje zasad odpowiedzialności za aktualizacje. Ktoś musi decydować, kiedy nagranie traci aktualność, czy transkrypcja jest poprawna oraz która wersja lektury pozostaje wiążąca.

Członkowie kadry dydaktycznej potrzebują również sposobu, by zobaczyć, gdzie agent napotyka trudności. Powtarzające się pytania pozostające bez odpowiedzi mogą ujawnić brakujące treści, niejasne instrukcje lub słabe strony struktury kursu.

Ta pętla informacji zwrotnej daje istotną korzyść instytucjonalną. Agent może ujawnić luki, które pozostają niewidoczne, gdy pojedynczy studenci po cichu szukają odpowiedzi gdzie indziej.

Analitykę należy jednak traktować ostrożnie. Pytania studenta mogą ujawniać trudności w nauce, problemy zdrowotne, przekonania polityczne lub wrażliwe okoliczności osobiste.

Instytucje powinny określić, kto może przeglądać rozmowy, jak długo logi pozostają dostępne oraz czy interakcje wpływają na ocenianie. Dostępne publicznie informacje nie podają tych szczegółów.

Asystent dydaktyczny AI staje się godny zaufania dzięki zasadom zarządzania, a nie brandingowi. Interfejs może wyglądać prosto, lecz model działania wymaga odpowiedzialności za treści, procedur weryfikacji, mechanizmów ochrony prywatności i eskalacji do człowieka.

AI Oparte na Materiałach Kursowych Wywiera Presję na Otwarte Chatboty

Główna rywalizacja toczy się między kontrolowanymi przez instytucje agentami kursowymi a otwartymi chatbotami, z których studenci już korzystają bez nadzoru kadry.

Uniwersytety nie są w stanie realnie powstrzymać każdego studenta przed konsultowaniem się z ogólnym chatbotem. Praktyczne pytanie brzmi, czy mogą zaoferować lepszą alternatywę akademicką.

Agent przypisany do konkretnego kursu konkuruje trafnością i zaufaniem. Zna wyznaczone materiały i może odzwierciedlać słownictwo używane na konkretnych zajęciach.

Publiczny chatbot konkuruje zakresem i wygodą. Może wprowadzać przykłady zewnętrzne, porównywać konkurujące teorie i odpowiadać na pytania wykraczające poza formalny program.

Żadna z tych dróg nie wygrywa automatycznie. Otwarty system niesie ryzyko twierdzeń bez oparcia w źródłach, podczas gdy system zamknięty może powielać niekompletne lub stronnicze materiały kursowe.

Strategia Bar-Ilan faworyzuje zamkniętą ścieżkę w rutynowym wsparciu nauki. Studenci nadal mogą konsultować się z wykładowcami i szerszymi źródłami, ale agent zaczyna od zatwierdzonych ram akademickich.

Inne uniwersytety testują szersze rozwiązania. Arizona State University zintegrował ChatGPT Edu z nauczaniem, badaniami i działalnością operacyjną za pośrednictwem ogólnouczelnianego programu AI.

Model ten zachęca do eksperymentów w wielu funkcjach uniwersytetu. Wdrożenie Bar-Ilan jest węższe, ponieważ jego najbardziej widoczne wykorzystanie przez studentów koncentruje się na konkretnych repozytoriach kursowych w Moodle.

Wcześniejsze chatboty kampusowe obrały inną drogę. Pounce z Georgia State University początkowo odpowiadał na pytania dotyczące rekrutacji, pomocy finansowej i zapisów.

Georgia State później testował wiadomości związane z kursami i zgłosił poprawę wyników w klasie nauk politycznych. Ich badanie chatbota wykazało, że uczestnicy będący pierwszym pokoleniem studentów, którzy otrzymywali wiadomości, uzyskali oceny końcowe o około 11 punktów wyższe niż ich rówieśnicy.

Pounce przede wszystkim pokazał wartość szybkich przypomnień i wsparcia administracyjnego. Agent edukacyjny AI Bar-Ilan bardziej bezpośrednio zajmuje się treścią wykładów i lektur.

Przykłady te pokazują, jak zmieniła się ta kategoria. Chatboty kampusowe kiedyś odpowiadały na zdefiniowane wcześniej pytania lub wysyłały przypomnienia. Nowsze systemy generują wyjaśnienia, podsumowania i oceny na podstawie nieustrukturyzowanych materiałów akademickich.

Ta zmiana zwiększa zarówno użyteczność, jak i ryzyko. Termin rejestracji ma jedną poprawną datę, podczas gdy pytanie prawne lub historyczne może dopuszczać kilka interpretacji.

Oparcie na materiałach kursowych pomaga, zawężając bazę dowodową. Nie może jednak zdecydować, które interpretacje zasługują na podkreślenie, jeśli dostarczone materiały i instrukcje nie czynią tego wyboru jasnym.

Presja wywierana na otwarte chatboty nie dotyczy zatem surowej inteligencji modelu. Chodzi o to, czy instytucja może stworzyć bezpieczniejszy domyślny wybór dzięki lepszemu kontekstowi.

Studenci potrzebują też jasności co do granic systemu. Jeśli agent odpowiada wyłącznie na podstawie zatwierdzonych źródeł, powinien informować, kiedy źródła te nie zawierają odpowiedzi.

Pewna siebie odpowiedź bez wystarczających dowodów zaprzeczałaby celowi ugruntowania w źródłach. Użyteczny system musi czasem powiedzieć, że materiały kursowe są niewystarczające.

Z tego samego powodu ważny jest sposób cytowania. Studenci powinni móc przejść od wygenerowanego podsumowania do fragmentu wykładu, slajdu lub lektury, na których ono się opiera.

Bez takiej możliwości śledzenia źródeł agent staje się kolejnym autorytetem, któremu studenci mają po prostu zaufać. Dzięki niej agent może służyć jako mapa prowadząca z powrotem do podstawowych materiałów kursowych.

Taki projekt wspiera zdrowszy model nauki. Student może poprosić o orientację, sprawdzić dowody, a następnie przeanalizować oryginalne źródło.

Alternatywą jest uzależnienie od skondensowanych odpowiedzi. Szybkie podsumowania mogą ukrywać różnice zdań, usuwać kontekst i sprawiać, że trudne pojęcia wydają się rozstrzygnięte.

Instytucje powinny mierzyć, który wzorzec faktycznie się rozwija. Sama liczba użyć nie pozwala odróżnić produktywnego dociekania od zlecania odpowiedzi systemowi.

Rozszerzenie Bar-Ilan daje uczelni okazję do oceny tych zachowań w różnych dyscyplinach. Wyniki będą ważniejsze niż liczba rozmów.

Wczesne Wyniki Są Obiecujące, lecz Dalekie od Rozstrzygających

Publicznie dostępne dowody wskazują na wdrożenie i zachęcające anegdoty, a nie na dowód, że agent poprawia naukę na dużą skalę.

Relacja Microsoftu dostarcza kilku pozytywnych sygnałów. Shay zgłosił krótsze sesje nauki i większą samodzielność, podczas gdy Biton zauważył mniej rutynowych pytań i spokojniejszych studentów.

Biton powiedział również, że średni wynik końcowy wśród około 50 studentów był o trzy punkty procentowe wyższy niż w poprzednich latach. Przyznał, że sama grupa mogła być silniejsza.

To zastrzeżenie jest kluczowe. Porównanie rok do roku nie może wyizolować wpływu agenta od zmian w nauczaniu, trudności egzaminu, składu grupy studentów ani zwykłej zmienności.

We wdrożeniu brakuje też publicznie opisywanej grupy kontrolnej. Bez porównywalnych studentów, którzy nie korzystali z agenta, różnica wyników pozostaje sugestywna, a nie przyczynowa.

Deklarowane oszczędności czasu wymagają podobnej ostrożności. Skrócenie czasu nauki może wskazywać na większą efektywność, ale może też oznaczać mniejsze zaangażowanie w pełne wykłady i lektury.

Badacze musieliby porównać zapamiętywanie, transfer wiedzy, wyniki egzaminów i zachowania studentów w czasie. Natychmiastowa satysfakcja sama w sobie nie odpowie na pytanie, czy nastąpiła głębsza nauka.

Funkcja quizów agenta rodzi kolejne pytanie pomiarowe. Generowanie nieograniczonej liczby ćwiczeń może poprawić przygotowanie, ale tylko wtedy, gdy pytania dokładnie odzwierciedlają cele kursu.

Słabe pytania mogą nagradzać powierzchowne odtwarzanie wiedzy. Powtarzająca się ekspozycja na podobne wygenerowane zadania może też budować pewność siebie bez elastycznego zrozumienia.

Weryfikacja przez kadrę staje się szczególnie ważna w dziedzinach związanych z bezpieczeństwem, prawem, zdrowiem lub spornymi dowodami. Subtelny błąd może wprowadzić studentów w błąd, nawet jeśli większość odpowiedzi jest poprawna.

Prywatność to kolejny nierozstrzygnięty obszar w publicznej relacji. Microsoft twierdzi, że agent działa w bezpiecznym środowisku Azure Bar-Ilan, ale to stwierdzenie nie wyjaśnia wszystkich praktyk dotyczących danych.

Odbiorcy nadal potrzebują szczegółów dotyczących retencji, dostępu, ulepszania modelu, audytów i usuwania danych. Instytucje powinny również wyjaśnić, czy prowadzący mogą przeglądać indywidualne pytania.

Wskazówki UNESCO dotyczące edukacji podkreślają ochronę danych, nadzór człowieka, walidację etyczną i projektowanie pedagogiczne. Zasady te mają zastosowanie nawet wtedy, gdy oprogramowanie działa w instytucjonalnym środowisku chmurowym.

Wolność akademicka rodzi odrębną obawę. Scentralizowana platforma może standaryzować wsparcie, ale każdy wykładowca potrzebuje kontroli nad sposobem prezentowania swojej dziedziny.

Studenci potrzebują też jasnego sposobu zakwestionowania nieprawidłowej odpowiedzi. Zgłoszenie problemu powinno być proste, a poprawki powinny docierać do wszystkich osób, których dotyczą.

Dostępność zasługuje na bezpośrednią ocenę, a nie na założenia. Wielojęzyczny dostęp jest wartościowy, lecz wydajność może różnić się między językami, formatami dokumentów i jakością transkrypcji mowy.

Nagrania wykładów mogą zawierać specjalistyczne terminy, akcenty, wzory lub nazwiska, które automatyczne transkrypcje błędnie odczytują. Agent oparty na źródłach może wiernie wyszukać niedokładną transkrypcję.

Zakres dyscyplin może ujawnić dalsze ograniczenia. Kursy skoncentrowane na tekście naturalniej pasują do systemu niż praca studyjna, techniki laboratoryjne, wykonawstwo muzyczne czy osąd kliniczny.

Równość ma również dwie strony. Zawsze dostępny asystent może pomóc studentom mającym pracę, obowiązki opiekuńcze, służbę wojskową, chorobę lub bariery językowe.

Jednak studenci z lepszymi umiejętnościami formułowania poleceń mogą czerpać większą wartość. Inni mogą nie wiedzieć, kiedy nie ufać płynnej odpowiedzi lub poprosić o dowody na jej poparcie.

Uniwersytety powinny uczyć tych umiejętności wprost. Udostępnienie studentom agenta AI bez edukacji w zakresie AI przerzucałoby zbyt dużą odpowiedzialność na użytkownika.

Istnieje też ryzyko instytucjonalnego przekroczenia granic. Gdy platforma już istnieje, administratorzy mogą postrzegać ją jako sposób na zwiększanie liczebności grup lub ograniczanie wsparcia ze strony ludzi.

Obecna relacja o Bar-Ilan nie przedstawia takiego planu. Mimo to wartość projektu zależy od zachowania relacji między wykładowcą a agentem opisanej przez Bitona i Shaya.

Najbezpieczniejsza interpretacja jest zatem ograniczona. Bar-Ilan pokazał, że agent oparty na materiałach kursowych może działać w dziesiątkach kursów i wspierać wiarygodne zadania związane z nauką.

Nie wykazano jeszcze, że system konsekwentnie poprawia oceny, zapamiętywanie, krytyczne myślenie lub długoterminową wiedzę. To właśnie te standardy powinny wyznaczać kolejny etap.

Co Musi Udowodnić Kolejnych 100 Kursów

Rozszerzenie powinno być oceniane przede wszystkim na podstawie dowodów uczenia się, jakości odpowiedzi i trwałego udziału kadry dydaktycznej.

Pierwszym sygnałem są porównawcze wyniki akademickie. Bar-Ilan powinien zbadać, czy użytkownicy agenta poprawiają wyniki we wspólnych ocenach, po uwzględnieniu wcześniejszych osiągnięć i różnic między kursami.

Najmocniejsza ocena porównywałaby podobne grupy, mierząc więcej niż końcowe oceny. Odroczone sprawdziany mogłyby pokazać, czy studenci zachowują wiedzę po okresie egzaminacyjnym.

Wyniki powinny być również rozdzielone według aktywności. Wyszukiwanie fragmentu wykładu, czytanie podsumowania i rozwiązywanie wygenerowanych quizów to odmienne zachowania o różnych skutkach edukacyjnych.

Jeśli lepsze wyniki następowałyby po aktywnej praktyce, ale nie po biernych podsumowaniach, Bar-Ilan mógłby przeprojektować agenta wokół zadawania pytań i odtwarzania wiedzy. Taki wniosek wzmocniłby argumenty za walorami edukacyjnymi projektu.

Jeśli użycie wzrośnie bez mierzalnej poprawy, agent nadal może oferować wygodę. Nie powinien być przedstawiany jako dowód lepszej edukacji.

Drugim sygnałem jest wiarygodność odpowiedzi. Uniwersytet potrzebuje powtarzalnego zestawu ewaluacyjnego obejmującego wyszukiwanie faktów, syntezę, pytania niejednoznaczne, brakujące informacje i odpowiedzi wielojęzyczne.

Członkowie kadry powinni oceniać odpowiedzi względem materiałów kursowych przed wdrożeniem i przez cały semestr. Kategorie błędów powinny odróżniać nieprawidłowe wyszukanie od wadliwego generowania i błędnej treści źródłowej.

System powinien również rejestrować właściwe odmowy odpowiedzi. Agent, który odmawia odpowiedzi na pytania niepoparte źródłami, może być bezpieczniejszy niż taki, który jest zoptymalizowany pod kątem odpowiadania na wszystko.

Rozszerzenie na 100 dodatkowych kursów będzie znacznie trudniejszym testem. Metoda, która działa w starannie przygotowanym kursie prawa, może mieć trudności z równaniami, diagramami, procedurami laboratoryjnymi lub debatami interpretacyjnymi.

Publikowane wskaźniki błędów pomogłyby studentom i prowadzącym właściwie kalibrować zaufanie. Nawet raportowanie wewnętrzne może poprawić decyzje wdrożeniowe, jeśli wyniki będą kierować zatwierdzaniem i rewizją kursów.

Trzecim sygnałem jest udział kadry po wygaśnięciu efektu nowości. Przygotowanie agenta edukacyjnego AI wymaga stałej pracy redakcyjnej, a nie jednorazowego połączenia technicznego.

Bar-Ilan powinien śledzić, ile czasu wykładowcy poświęcają na przygotowywanie materiałów, sprawdzanie odpowiedzi, reagowanie na zgłoszenia i aktualizowanie źródeł. Powinien również pytać, czy te koszty maleją w kolejnych semestrach.

Wysokie zaangażowanie sugerowałoby, że taki sposób pracy tworzy wystarczającą wartość, by uzasadnić ten wysiłek. Rezygnacja kadry wskazywałaby natomiast, że system przerzuca zbyt wiele obowiązków związanych z utrzymaniem na poszczególnych wykładowców.

Zespoły wsparcia mogą zmniejszyć to obciążenie dzięki korekcie transkrypcji, szablonom treści, narzędziom do oceny i jasnym zasadom zarządzania. Nie powinny jednak wyłączać wykładowców z decyzji dotyczących znaczenia akademickiego.

Studenci zasługują na taką samą przejrzystość. Każdy kurs powinien wyjaśniać, co agent wie, co rejestruje oraz które zadania pozostają dla niego nieodpowiednie.

Towarzysz nauki powinien kierować studentów ku dowodom i refleksji. Nie powinien stać się niewidocznym skrótem zastępującym wykłady, lektury lub rozmowy.

Studenci, którzy już tworzą własne systemy nauki, mogą również korzystać ze uporządkowanego centrum wiedzy dla studentów, aby łączyć notatki i źródła. Obowiązuje tu ta sama zasada: organizacja powinna wspierać myślenie, a nie je zastępować.

Agent AI Uniwersytetu Bar-Ilan to wiarygodna próba uczynienia kampusowej AI bardziej odpowiedzialną. Zatwierdzone źródła, integracja z Moodle i nadzór kadry tworzą solidniejszą podstawę niż nieograniczony chatbot.

Kolejny etap musi testować rezultaty, a nie świętować sam dostęp. Czy studenci zapamiętują więcej, uważniej kwestionują źródła i potrafią nadrobić opuszczone zajęcia, nie uzależniając się od streszczeń?

Odpowiedzi na te pytania zdecydują o tym, czy agenci oparci na treści kursów staną się trwałą infrastrukturą akademicką. Uniwersytety rozważające podobne systemy powinny obserwować dowody z tych kolejnych 100 kursów, zanim uznają samo wdrożenie za sukces.