MIT ostrzega, że AI może wiarygodnie wykonać niemal każde zadanie na studiach pierwszego stopnia

MIT wezwał do daleko idących zmian w edukacji po stwierdzeniu, że AI potrafi obecnie tworzyć wiarygodne prace w niemal każdej kategorii zadań na studiach pierwszego stopnia.

Ostrzeżenie trafiło do google news jako historia o maszynach wykonujących wypracowania, dowody, zadania naukowe i ćwiczenia programistyczne. Prawdziwy konflikt nie dotyczy jednak studentów i oprogramowania do wykrywania plagiatów. Chodzi o zderzenie stuletniego modelu oceniania opartego na rezultatach z narzędziami, które potrafią na żądanie tworzyć przekonujące rezultaty.

MIT nie proponuje zakazu AI w całym kampusie. Jego nowe ramy zachęcają natomiast prowadzących do ponownego przemyślenia celów kształcenia, przeprojektowania oceniania, sprecyzowania dopuszczalnego użycia oraz ochrony relacji międzyludzkich stojących za edukacją stacjonarną. To stanowisko wywiera presję na każdą uczelnię, która wciąż traktuje AI jako wąski problem uczciwości akademickiej.

Zmieniło się kluczowe pytanie. Uczelnie nie mogą już pytać wyłącznie, czy oddana odpowiedź jest poprawna lub oryginalna. Muszą ustalić, czy student potrafi ją wyjaśnić, obronić, poprawić i zastosować.

Raport MIT o edukacji i AI podważa wartość gotowej pracy

Raport MIT uznaje dopracowane zadania domowe za coraz słabszy dowód uczenia się.

25 sierpnia 2026 roku prezydent MIT Sally Kornbluth opublikowała ustalenia komisji ad hoc badającej wykorzystanie AI w nauczaniu, uczeniu się i kształceniu badawczym. MIT powołał komisję w styczniu i zlecił jej trzy początkowe zadania.

Grupa miała ocenić, jak prowadzący i studenci korzystają z AI. Miała także zidentyfikować innowacje w nauczaniu i ocenianiu, a następnie zaproponować instytucjonalne podejście do wykorzystania AI.

Jej końcowa analiza poszła dalej. Według MIT obecne systemy potrafią generować rozsądne odpowiedzi na niemal każde pisemne zadanie na studiach pierwszego stopnia. Dotyczy to wypracowań, problemów matematycznych i naukowych, dowodów oraz zadań programistycznych.

To stwierdzenie jest szersze niż twierdzenie, że ChatGPT pisze akceptowalne wypracowania. Obejmuje zestawy zadań, projekty programistyczne, analizy laboratoryjne i wyjaśnienia techniczne. To właśnie te artefakty uczelnie od dawna uznają za dowód kompetencji w danej dziedzinie.

Rozróżnienie między „wiarygodnym” a „poprawnym” ma znaczenie. MIT nie ogłosił kontrolowanego eksperymentu pokazującego, że jeden model opanował cały katalog studiów pierwszego stopnia. Raport opierał się na badaniach komisji, opiniach społeczności, ankietach i obserwowanych zmianach w nauczaniu oraz uczeniu się.

Wiarygodna praca nadal może zawierać ukryte błędy. Wygenerowany dowód może pomijać konieczne założenie. Kod może przechodzić znane testy, a zawodzić w nietypowych warunkach. Wypracowanie może brzmieć spójnie, nie świadcząc o uważnej lekturze ani samodzielnym osądzie.

Zadanie nie musi jednak być bezbłędne, by zakłócić proces oceniania. Wystarczy, że wygląda wystarczająco dobrze, aby prowadzący nie mógł z przekonaniem przypisać rozumowania studentowi.

Dlatego stanowisko MIT zasługuje na większą uwagę, niż otrzymało w ujęciu google news. Komisja nie twierdzi, że maszyny posiadają pełne wykształcenie na poziomie studiów pierwszego stopnia. Argumentuje, że gotowy produkt stracił dużą część swojej wartości jako dowód ludzkiego uczenia się.

Prezydent MIT Kornbluth nazwała ten moment „punktem zwrotnym dla MIT” i szkolnictwa wyższego. Jej przesłanie nakreśliło trzy szerokie kierunki działania.

Po pierwsze, MIT powinien stworzyć procesy edukacyjne uwzględniające AI. Miałyby one ponownie rozważyć, czego studenci muszą się nauczyć i jak prowadzący mogą zweryfikować tę naukę.

Po drugie, Instytut powinien wzmacniać ludzi, społeczność i doświadczenia związane z edukacją stacjonarną. Ta rekomendacja łączy problem AI bezpośrednio z powodem, dla którego studenci spotykają się na fizycznym kampusie.

Po trzecie, MIT powinien ustanowić procesy, które mogą zmieniać się w sposób ciągły. Stała polityka napisana z myślą o jednej generacji modeli szybko się zestarzeje wraz z pojawianiem się nowych możliwości.

Te rekomendacje przekształcają spór o politykę technologiczną w wyzwanie dla projektowania edukacji. Jeśli prowadzący zleca znany problem i ocenia wyłącznie jego końcową odpowiedź, AI znajduje się dziś między zadaniem a dowodem.

Raport wzywa więc do przeglądów znacznej części programu nauczania MIT. Wskazuje na egzaminy ustne, portfolio, demonstracje, pracę etapową i rozmowy o zadaniach wykonanych poza zajęciami.

Żaden z tych formatów nie gwarantuje autentycznego uczenia się. Łącznie ujawniają jednak więcej procesu, który doprowadził do odpowiedzi. Student rozumiejący dowód potrafi wyjaśnić, dlaczego każdy krok jest konieczny. Student, który napisał program, potrafi zdiagnozować błąd i obronić decyzję projektową.

Ta zmiana tworzy główne napięcie artykułu. Generatywna AI rozszerza zakres tego, co studenci mogą stworzyć, ale osłabia związek między tym, co oddają, a tym, co rozumieją.

Dlaczego zadania na studiach pierwszego stopnia wykonywane przez AI wywierają presję na kadrę dydaktyczną

Bezpośredni ciężar spada na prowadzących, ponieważ każde zadanie potrzebuje teraz zarówno celu edukacyjnego, jak i zasad dotyczących AI.

Uczelnie często reagują na nowe technologie centralną regułą. MIT przyjmuje bardziej zdecentralizowane podejście, ponieważ dopuszczalne wykorzystanie AI różni się w zależności od dyscypliny, kursu i celu kształcenia.

Na zajęciach z programowania można wymagać, aby studenci pisali podstawowy kod bez pomocy. Na późniejszym kursie można natomiast oczekiwać, że będą nadzorować wygenerowany kod i rygorystycznie go testować. Seminarium pisarskie może zezwalać na burzę mózgów, jednocześnie zakazując generowanej prozy.

Wskazówki MIT na jesień 2026 roku nie narzucają jednej polityki obowiązującej na zajęciach w całym Instytucie. Zamiast tego proszą prowadzących, by jasno informowali studentów, kiedy AI jest zakazane, dozwolone lub wymagane.

Ta elastyczność uwzględnia różnice między dyscyplinami. Przenosi jednak również znaczną część pracy projektowej na członków kadry, wydziały, asystentów dydaktycznych i zespoły wsparcia akademickiego.

Prowadzący musi najpierw zdecydować, co dane zadanie ma mierzyć. Czy chodzi o pamięć, biegłość proceduralną, rozumienie pojęć, osąd, umiejętności badawcze czy komunikację? Odpowiedź określa, które zastosowania AI wspierają cel, a które go obchodzą.

Następnie pojawia się kwestia egzekwowania zasad. Detektory AI pozostają niewiarygodne przy oskarżeniach o poważnych konsekwencjach, zwłaszcza gdy analizują redagowany tekst lub pracę autorów wielojęzycznych. Narzędzia nadzoru mogą także budzić obawy dotyczące prywatności i równości, nie dowodząc przy tym, kto wykonał rozumowanie.

Zakaz AI w zadaniach do wykonania w domu nie usuwa tych problemów. Trudno zweryfikować zakaz, gdy studenci mają dostęp do ogólnych chatbotów, agentów programistycznych, usług przeredagowywania i narzędzi wbudowanych w codzienne oprogramowanie.

Alternatywą jest przeprojektowanie oceniania. Może to oznaczać wymaganie szkiców, historii wersji, źródeł z adnotacjami, osobistych refleksji, demonstracji lub krótkich obron ustnych.

Każdy dodatkowy element pochłania czas. Profesor może asynchronicznie ocenić standardowy zestaw zadań. Sensowna rozmowa z każdym studentem wymaga harmonogramu, sal, personelu i uwagi.

Problem skali staje się wyraźny na dużym kursie. Profesor inżynierii biomedycznej Cornell, Chris Schaffer, wprowadził 20-minutowe obrony ustne po pisemnych zestawach zadań. Jego grupa liczyła 70 studentów, dlatego w prowadzeniu sesji pomagali asystenci dydaktyczni.

Schaffer powiedział Associated Press, że studenci nie będą mogli użyć AI, by uniknąć egzaminu ustnego. Jego prowadzący przestali oceniać pisemne zestawy zadań i oceniali zamiast tego obrony.

Ten przykład pokazuje zarówno obietnicę, jak i koszt kierunku wyznaczonego przez MIT. Pytania ustne mogą ujawnić, czy studenci rozumieją swoją pracę. Przesuwają jednak ograniczone zasoby pracy dydaktycznej z przeglądania artefaktów na interakcje z ludźmi.

Zmiana może działać dobrze, gdy instytucje ją wspierają. Bez dodatkowego personelu lub przeprojektowanych obciążeń pracą kadra może jednak po prostu dodać kontrole ustne do istniejącego oceniania.

Taki rezultat utrudniłby i tak wymagającą pracę. Badania nad instytucjonalnymi wytycznymi dotyczącymi AI ostrzegają, że rozbudowane oczekiwania związane z rewizją kursów mogą tworzyć duże obciążenie dla kadry.

Uczelnie stoją więc przed wyborem operacyjnym. Mogą inwestować w mniejsze grupy, przeszkolonych asystentów, przestrzenie do oceniania i wsparcie projektowania kursów. Mogą też wydać ambitne wytyczne, które poszczególni prowadzący będą mieli trudność wdrażać konsekwentnie.

MIT zaczął budować takie wsparcie za pośrednictwem ogólnouczelnianego AI Community Hub. Zapowiedziane działania obejmują pomoc w przeprojektowaniu kursów, szablony polityk, społeczności praktyków, szkolenia badawcze oraz koordynację dostępu do zasobów obliczeniowych.

AI teaching hub sygnalizuje, że MIT rozumie, iż sama polityka nie zmieni zajęć. Kadra potrzebuje sprawdzonych przykładów, czasu i instytucjonalnego przyzwolenia, aby zastąpić znane zadania.

Studenci również potrzebują jasności. Mozaika niepisanych zasad może utrudniać odpowiedzialne korzystanie, ponieważ ta sama czynność może być zachęcana na jednych zajęciach, a na innych uznawana za wykroczenie.

Jasne zasady pomagają odróżnić wspomaganie od zastępowania. Wspomaganie wykorzystuje AI do kwestionowania, organizowania, testowania lub rozwijania myślenia studenta. Zastępowanie polega na zleceniu systemowi pracy intelektualnej, którą zadanie miało rozwijać.

Granica nie zawsze jest oczywista. Student proszący o informację zwrotną dotyczącą argumentu może zaangażować się w niego głębiej. Student, który prosi o gotowy argument i redaguje jego sformułowanie, może nauczyć się bardzo niewiele.

Ta niejednoznaczność oznacza, że prowadzący nie mogą rozwiązać problemu listą zakazanych narzędzi. Muszą zdefiniować ludzką aktywność, za której wykonanie studenci nadal odpowiadają.

Prawdziwy konflikt dotyczy oceniania, a nie rozumienia

AI ujawniła słabość starszą niż chatboty: uczelnie często oceniają produkt, ponieważ obserwowanie procesu uczenia się jest kosztowne.

Tradycyjne zajęcia opierają się na wskaźnikach zastępczych. Wypracowanie reprezentuje czytanie i interpretację. Dowód reprezentuje rozumowanie matematyczne. Program reprezentuje dekompozycję problemu, implementację i testowanie.

Te wskaźniki działały, ponieważ wytworzenie artefaktu zwykle wymagało znacznej części zamierzonego myślenia. Zlecanie pracy na zewnątrz było możliwe, lecz wymagało znalezienia innej osoby, kupienia gotowej pracy albo skopiowania materiału z możliwego do wykrycia źródła.

Generatywna AI zmienia ekonomikę zastępowania pracy. Student może natychmiast poprosić o odpowiedź dopasowaną do jego potrzeb, poprawiać ją w rozmowie i generować alternatywne wersje bez kontaktowania się z inną osobą.

Rezultat może być również zindywidualizowany. To sprawia, że zwykłe dopasowywanie plagiatów jest mniej użyteczne, ponieważ dwóch studentów może zadać podobne pytania i otrzymać inny język lub kod.

Kluczowa odpowiedź MIT nie polega na przywracaniu dawnej rzadkości odpowiedzi. Chodzi o uczynienie procesu uczenia się bardziej widocznym poprzez interakcję, iterację i zastosowanie.

Obrony ustne są jedną z opcji. Prowadzący może zapytać, dlaczego student wybrał daną metodę, co nie zadziałało podczas pracy lub jak wynik zmieniłby się przy nowym założeniu.

Portfolio oferuje inną drogę. Pokazuje pracę w czasie, w tym szkice, informacje zwrotne, poprawki i refleksje. Sprawia, że trajektoria staje się ważniejsza niż jedno dopracowane oddanie pracy.

Projekty praktyczne mogą łączyć wiedzę z fizycznymi systemami lub rzeczywistymi warunkami. Studenci mogą potrzebować skonfigurować sprzęt, zebrać obserwacje, współpracować z rówieśnikami lub reagować, gdy rzeczywistość różni się od modelu.

Pisanie i egzaminy stacjonarne nadal mogą odgrywać rolę. Tworzą kontrolowane środowisko, w którym samodzielne wykonanie pracy przez studenta staje się bardziej widoczne.

Jednak całkowity powrót do egzaminów bez dostępu do materiałów oznaczałby rezygnację z użytecznych form uczenia się. Praca zawodowa często wymaga korzystania z narzędzi, źródeł, współpracy i poprawek. Absolwenci muszą też umieć używać AI, nie przyjmując jej wyników bezkrytycznie.

Podejście MIT przypomina więc raczej kompromis niż zakaz. Studenci zyskują uprawniony dostęp do AI w niektórych zadaniach, podczas gdy zajęcia wymagają silniejszych dowodów zrozumienia w innych obszarach.

Taki układ może prowadzić do lepszych zadań. Student mógłby wykorzystać model do wygenerowania konkurencyjnych wyjaśnień, a następnie wskazać ich błędy i obronić preferowaną interpretację. Programista mógłby audytować wygenerowany kod, tworzyć testy adwersarialne i dokumentować każdą awarię.

Takie zadania oceniają osąd, a nie samą zdolność wytwarzania treści. Przypominają też miejsca pracy, w których pracownicy coraz częściej przeglądają, kierują i integrują materiały generowane przez maszyny.

Niebezpieczeństwo polega na tym, że „świadomość AI” stanie się etykietą oznaczającą dodanie chatbota do niezmienionego kursu. Jeśli cel nauczania i ocena pozostają identyczne, dostęp do narzędzia może przyspieszać ukończenie pracy bez pogłębiania zrozumienia.

Istnieje też ryzyko mylenia wyników podczas odpytywania z samym uczeniem się. Niektórzy studenci komunikują się pewnie w sytuacjach na żywo, podczas gdy inni potrzebują więcej czasu lub dostępnych formatów. Egzaminy ustne muszą uwzględniać niepełnosprawność, pochodzenie językowe, lęk oraz różne style komunikacji.

Zróżnicowany system oceniania może ograniczyć ten problem. Portfolio, demonstracje, pisemne refleksje, rozmowy i praca pod nadzorem mogą dostarczać wielu form dowodów.

Najlepsze rozwiązanie będzie zależeć od dziedziny. Student chemii powinien wykazać się bezpieczną praktyką laboratoryjną. Historyk powinien oceniać źródła i bronić interpretacji. Informatyk powinien rozumować na temat zachowania systemu, a nie tylko tworzyć kod, który daje się skompilować.

Wspólnym wymogiem jest możliwość prześledzenia procesu. Prowadzący potrzebują wystarczających dowodów, aby połączyć złożony artefakt z decyzjami studenta.

Studenci mogą wzmocnić to powiązanie, zachowując notatki, ścieżki źródeł, szkice, prompty, eksperymenty i poprawki. Osobisty system zarządzania wiedzą może pomóc uporządkować ten proces, choć dokumentacja nie zastąpi bezpośredniego zrozumienia.

Takie podejście zmienia też znaczenie uczciwości akademickiej. Kluczowe pytanie dotyczy mniej tego, czy narzędzie miało udział w pracy, a bardziej tego, czy studenci przedstawiali pracę maszyny jako własne myślenie.

Taki standard trudniej sprowadzić do binarnej reguły. Jest też bliższy rzeczywistemu celowi edukacyjnemu zadania.

Nagłówek google news sugeruje, że AI pokonała pracę domową na studiach. Głębszy argument MIT brzmi jednak, że szkolnictwo wyższe od początku zbyt mocno polegało na pracach domowych jako dowodzie.

Czego ostrzeżenie MIT nie dowodzi

Raport wskazuje na pilny problem z ocenianiem, ale nie dowodzi, że AI opanowała każdy przedmiot na studiach licencjackich.

Najmocniejsze wersje tej historii łączą kilka różnych twierdzeń. Wygenerowanie wiarygodnej odpowiedzi nie jest tym samym co udzielenie poprawnej odpowiedzi. Zaliczanie zadania nie jest tym samym co zrozumienie kursu.

System AI może wygenerować przekonujące wyjaśnienie, jednocześnie wymyślając cytowanie. Może rozwiązać standardowy problem, lecz zawieść, gdy zmieni się sposób jego ujęcia. Może tworzyć kod działający dla typowych danych wejściowych, ukrywając przy tym wady bezpieczeństwa lub niezawodności.

Modele korzystają też z dobrze znanych schematów zadań. Uniwersytety ponownie wykorzystują ćwiczenia z podręczników, konwencjonalne tematy esejów i publiczne materiały kursowe. Dane treningowe i dostęp do sieci mogą zapewnić modelowi szeroką ekspozycję na powiązane rozwiązania.

To sprawia, że niektóre prace domowe łatwiej zautomatyzować niż samą dyscyplinę. Rozpoznanie i odtworzenie znanego schematu dowodu różni się od wyboru podejścia podczas nieznanych badań.

Twierdzenie komisji MIT należy więc odczytywać jako ostrzeżenie dotyczące wiarygodnych rezultatów, a nie uniwersalny test kompetencji maszyn.

To ograniczenie nie osłabia edukacyjnych obaw. Prowadzący zazwyczaj nie mogą przeprowadzać kryminalistycznego dochodzenia w sprawie każdego zdania czy każdej linii kodu. Pozornie wiarygodna odpowiedź może podważyć ocenianie, nawet jeśli eksperci ostatecznie wykryliby jej wady.

Raport nie pokazuje też, że każdy student deleguje AI całe zadania. Korzystanie z AI obejmuje szeroki zakres zachowań — od sprawdzania gramatyki po generowanie kompletnej pracy do oddania.

Badania krajowe i instytucjonalne regularnie wskazują na wysoką adopcję, ale raportowane odsetki zależą od definicji, badanych populacji i sposobu sformułowania pytań. Samo użycie narzędzia niewiele mówi o tym, czy uczenie się wzrosło, czy spadło.

Badanie Coursera z 2026 roku objęło ponad 4200 studentów i wykładowców w pięciu krajach. Wykazało powszechne korzystanie z AI, podczas gdy jedynie 26 procent respondentów z grona wykładowców stwierdziło, że ich instytucja ma formalną politykę dotyczącą AI.

Wyniki te dostarczają kontekstu branżowego, lecz pochodzą od firmy zajmującej się edukacją online, która ma komercyjne interesy w edukacji wspieranej przez AI. Nie powinny być traktowane jako neutralny pomiar sytuacji na każdym kampusie.

Oddzielny projekt EDUCAUSE objął ankietą 438 wykładowców i pracowników w kwestii oceniania. Jego istnienie pokazuje, że przeprojektowanie kursów jest dziś problemem całego sektora, a nie odosobnioną reakcją MIT.

Najsilniejsze niezależne dowody wynikają z obserwowalnych zmian w klasach. Uniwersytety eksperymentują z ocenami ustnymi, pisaniem pod nadzorem, prezentacjami i projektami etapowymi, ponieważ prowadzący nie ufają już samym końcowym artefaktom.

Zwrot ku egzaminom ustnym obejmuje różne podejścia. Cornell stosuje odpytywanie przez człowieka po zestawach zadań. New York University testował agenta głosowego AI, który pyta studentów o projekty grupowe.

Eksperyment NYU oddaje paradoks stojący przed szkolnictwem wyższym. Jeden system AI pomaga zweryfikować, czy student nie polegał zbyt mocno na innym.

Studenci zgłaszali mieszane doświadczenia z tym agentem. Niektórzy uznali rozmowę za niezręczną lub dezorientującą. Reakcje te pokazują, dlaczego skalowalność techniczna nie może być jedyną miarą dobrego oceniania.

Interakcja międzyludzka jest centralna dla rekomendacji MIT, ponieważ edukacja obejmuje mentoring, poczucie przynależności, wyzwania intelektualne i rozwój tożsamości. Automatyzacja egzaminu ustnego mogłaby zachować możliwość weryfikacji, jednocześnie osłabiając te relacje.

Ten sam problem dotyczy korepetycji z AI. Natychmiastowe wyjaśnienia i spersonalizowana praktyka mogą wspierać studentów, którzy wahają się prosić o pomoc. Mogą też ograniczać kontakt z prowadzącymi i rówieśnikami, jeśli instytucje potraktują oprogramowanie jako substytut pracy dydaktycznej.

Głównym przeciwnikiem MIT nie jest więc sama AI. Jest nim model edukacyjny, który traktuje ukończoną pracę jako wiarygodną miarę zrozumienia, jednocześnie minimalizując kosztowne interakcje międzyludzkie ujawniające proces uczenia się.

Takie ujęcie pozostawia miejsce na produktywne wykorzystanie AI. Student może prosić o alternatywne wyjaśnienia, pytania ćwiczeniowe, informację zwrotną lub kontrargumenty. Wartość zależy od tego, czy narzędzie pobudza więcej myślenia, czy je usuwa.

Niepewność jest znacząca. Badacze nadal potrzebują danych długoterminowych pokazujących, jak różne wzorce korzystania z AI wpływają na zapamiętywanie, rozumowanie, kreatywność i późniejsze wyniki.

Uniwersytety powinny również obserwować nierówny dostęp. Studenci korzystający z płatnych narzędzi, lepszych modeli lub zaawansowanych umiejętności tworzenia promptów mogą otrzymywać silniejsze wsparcie niż koledzy używający ograniczonych systemów.

Jasne zasady nie wyeliminują tej różnicy. Jeśli AI stanie się wymaganą infrastrukturą zajęć, instytucje mogą potrzebować zapewnić zatwierdzone narzędzia i wyjaśniać ich ograniczenia.

Prywatność stanowi kolejną nierozwiązaną kwestię. Prompty studentów mogą zawierać dane osobowe, nieopublikowane badania, materiały chronione prawem autorskim lub wrażliwe dane instytucjonalne. Zasady kursów muszą określać, gdzie trafiają te informacje.

Te ograniczenia przemawiają za ostrożnym wdrożeniem, a nie za zwlekaniem. Raport MIT wyraźnie opisuje tę pracę jako nieopcjonalną, ponieważ możliwości AI i praktyki studentów będą nadal się zmieniać, podczas gdy uniwersytety prowadzą dyskusje.

Co obserwować po zakończeniu cyklu google news

Ostrzeżenie MIT nabierze znaczenia tylko wtedy, gdy po wygaśnięciu zainteresowania nagłówkiem zmienią się polityki, budżety i projekty kursów.

Pierwszym sygnałem będzie to, czy wydziały opublikują jasne, specyficzne dla kursów zasady w semestrze jesiennym 2026 roku. MIT zachęcało do wyraźnych wytycznych, lecz nie narzuciło jednej jednolitej polityki.

Skuteczne zasady powinny wyjaśniać, dlaczego AI jest dozwolona lub ograniczona, a nie jedynie wymieniać zatwierdzone narzędzia. Powinny łączyć każdą granicę z celem nauczania i opisywać, jak studenci muszą ujawniać otrzymaną pomoc.

Znaczenie ma też spójność. Studenci potrafią radzić sobie z różnymi zasadami na różnych kursach, gdy są one widoczne i celowe. Ukryte oczekiwania powodują zamieszanie i osłabiają egzekwowanie zasad.

Jeśli większość kursów przyjmie jasne polityki, zdecentralizowana strategia MIT zyska wiarygodność. Jeśli wytyczne pozostaną nierówne, raport wskaże problem, nie rozwiązując jego codziennych konsekwencji.

Drugim sygnałem będzie skala przeprojektowania oceniania. Uniwersytety powinny śledzić, ile kursów zastępuje lub uzupełnia prace wykonywane poza zajęciami obronami ustnymi, portfolio, demonstracjami, pracą pod nadzorem lub etapowymi oddaniami.

Istotną miarą nie jest liczba oferowanych warsztatów dotyczących AI. Jest nią liczba kursów, które zmieniają to, co uznaje się za dowód.

MIT’s Community Hub ogłosiło wsparcie zalążkowe dla zespołów dydaktycznych zmieniających zadania i cele nauczania. Skala, czas trwania i poziom wykorzystania tego wsparcia pokażą, czy przeprojektowanie jest centralną inwestycją, czy ograniczonym pilotażem.

Inne uniwersytety stanowią wczesne porównanie. Cornell włączył szkolenia z oceniania ustnego do wsparcia dla wykładowców. University of Pennsylvania informował o rosnącym wykorzystaniu oceniania ustnego i stacjonarnego.

Eksperymenty te ujawnią praktyczne ograniczenia. Duże kursy wprowadzające, wykładowcy zatrudnieni w niepełnym wymiarze, wymagania dotyczące dostępności i ograniczona przestrzeń dydaktyczna mogą utrudniać pracochłonne ocenianie.

Jeśli instytucje sfinansują dodatkowe możliwości dydaktyczne, model MIT skoncentrowany na człowieku stanie się bardziej realistyczny. Jeśli będą polegać na obecnym personelu, przeprojektowanie może pozostać skupione w małych lub dobrze finansowanych kursach.

Trzecim sygnałem będą dowody dotyczące efektów uczenia się. Uniwersytety muszą porównywać zapamiętywanie, transfer wiedzy, rozumowanie i pewność studentów w różnych wzorcach korzystania z AI.

Kurs może stać się trudniejszy do oszukania, nie stając się bardziej edukacyjny. Więcej nadzoru, więcej egzaminów i więcej lęku nie zapewni automatycznie głębszego zrozumienia.

Badacze powinni rozróżniać AI jako korepetytora, AI jako krytyka, AI jako asystenta produkcyjnego i AI jako substytut. Łączenie tych zachowań w jedną kategorię „użycia AI” ukrywa mechanizm, który ma znaczenie.

Wyniki długoterminowe mogłyby wzmocnić ocenę MIT, gdyby bogate w proces formy oceniania poprawiały zdolność studentów do wyjaśniania i stosowania wiedzy. Mogłyby ją osłabić, gdyby przeprojektowane kursy zwiększały nakład pracy bez poprawy uczenia się.

Przyszłość edukacji stacjonarnej może zależeć od tych ustaleń. Jeśli przekazywanie treści i rutynowa informacja zwrotna staną się tanie, uniwersytety będą musiały uzasadnić wartość kampusów poprzez relacje, laboratoria, współpracę, mentoring i wspólne życie intelektualne.

Język MIT bezpośrednio wskazuje na tę linię obrony. Jego kierownictwo chce edukacji prowadzonej przez ludzi, dla ludzi, z wykorzystaniem AI tam, gdzie zwiększa ona ludzkie możliwości.

To stanowisko jest bardziej wymagające niż zakaz albo nieograniczone przyjęcie AI. Wymaga od prowadzących jasnego określenia celu każdego zadania. Wymaga od studentów zachowania odpowiedzialności za osąd nawet wtedy, gdy maszyny pomagają tworzyć artefakt.

Wymaga też od władz uniwersytetów finansowania kontaktu międzyludzkiego zamiast traktowania AI jako skrótu do większych klas i niższych kosztów dydaktycznych.

Pierwotna historia google news trafnie podkreślała szeroki zakres zadań licencjackich, które może wykonywać AI. Twierdzenie dotyczące zadań jest jednak tylko faktem otwierającym.

Szersza historia jest taka, że uniwersytety nie mogą już utożsamiać wiarygodnej pracy zaliczeniowej z wykształconą osobą. Muszą obserwować tok rozumowania, stwarzać okazje do intelektualnego wysiłku i uczyć studentów, kiedy delegowanie zadań staje się rezygnacją z własnego myślenia.

Studenci i pracownicy umysłowi mogą już teraz stosować ten sam test. Gdy AI tworzy odpowiedź, zachowuj źródła, założenia, szkice i poprawki, które sprawiają, że rozumowanie pozostaje twoje. Następnie zapytaj, czy potrafisz obronić wynik bez narzędzia.

Ten nawyk ma znaczenie również poza studiami. Pracodawcy także będą potrzebować dowodów, że pracownicy rozumieją wyniki wspomagane przez maszyny, zwłaszcza gdy decyzje wpływają na klientów, bezpieczeństwo, pieniądze lub zaufanie publiczne. Gdy cykl informacyjny wokół Google przeminie, czy instytucje przeprojektują uczenie się wokół tej odpowiedzialności, czy nadal będą oceniać artefakty, którym już nie ufają?