Badanie OECD dotyczące AI w pracach szkolnych wskazuje na niższe wyniki, a nie na stratę 1,5 roku nauki z powodu AI

Wnioski OECD dotyczące AI w pracach szkolnych niosą wyraźne ostrzeżenie: uczniowie korzystający z chatbotów przy konkretnych zadaniach na ogół osiągali niższe wyniki niż uczniowie, którzy ich unikali.

Wniosek ten pojawia się obok jeszcze większej liczby. Średnie wyniki OECD w czytaniu spadły o 28 punktów między 2015 a 2025 rokiem, co odpowiada około 1,5 roku nauki. Wyniki z matematyki spadły o 22 punkty, czyli o nieco ponad rok nauki.

Liczby te nie dowodzą, że chatboty spowodowały dekadę pogorszenia wyników. Publicznie dostępne narzędzia generatywnej AI stały się powszechne dopiero po końcu 2022 roku. Spadek zaczął się wcześniej i odzwierciedla wiele czynników, w tym słabsze wsparcie ze strony rodziny, absencję, rozproszenie uwagi i zakłócenia związane z pandemią.

Mimo to nakładanie się tych zjawisk ma znaczenie. AI trafiła do klas w czasie, gdy podstawowe wyniki już spadały. Szkoły stoją teraz przed trudnym wyborem między ograniczaniem dróg na skróty a uczeniem uczniów świadomego korzystania z technologii.

Azjatyckie systemy edukacyjne szczególnie wyraźnie pokazują ten wybór. Korzystanie z chatbotów jest powszechne w Singapurze, Korei, Makau, Tajlandii, Wietnamie i na Filipinach. Jednocześnie kilka systemów azjatyckich nadal należy do najsilniejszych.

Wyłaniający się podział nie przebiega po prostu między użytkownikami AI a osobami, które z niej nie korzystają. Chodzi o AI generującą odpowiedzi w kontraście do AI wykorzystywanej pod kierunkiem dydaktycznym, przy czym to nauczyciele decydują, czy narzędzie zastępuje wysiłek, czy go wzmacnia.

Co naprawdę pokazują wnioski OECD dotyczące AI w pracach szkolnych

PISA 2025 wykazało związek między użyciem chatbotów a wynikami, a nie dowód, że AI spowodowała niższe wyniki.

OECD opublikowała najnowsze wyniki Programme for International Student Assessment 8 września 2026 roku. PISA bada, jak 15-letni uczniowie stosują wiedzę z zakresu czytania, matematyki i nauk ścisłych w nieznanych im problemach.

Badanie z 2025 roku objęło 760 000 uczniów z 91 krajów i gospodarek. Było to największe dotychczas przeprowadzone badanie PISA. Jego główną dziedziną akademicką były nauki ścisłe.

W tym cyklu zapytano również uczniów, jak wykorzystywali chatboty AI do prac szkolnych. Pytania dotyczyły streszczania zadanych tekstów, badania nowych tematów, tworzenia szkiców prac pisemnych oraz uzyskiwania ogólnej pomocy w nauce.

Chatboty dotarły już do większości uczniów. Tylko 14% uczniów w krajach OECD stwierdziło, że nigdy lub prawie nigdy nie korzystało z AI w żadnym z badanych celów związanych z pracą szkolną.

Około 46% korzystało z AI co najmniej raz w tygodniu, aby wspomagać naukę. Liczba ta potwierdza, że systemy szkolne analizują utrwalone zachowanie, a nie eksperymentalny trend w klasach.

Wzorzec wyników był niekorzystny dla kilku zastosowań związanych z konkretnymi zadaniami. Uczniowie, którzy nie korzystali z AI do streszczania, wyszukiwania informacji ani tworzenia szkiców, na ogół osiągali lepsze wyniki z nauk ścisłych niż użytkownicy.

Znaczenie miała również częstotliwość. Umiarkowani użytkownicy często uzyskiwali wyniki wyższe niż uczniowie korzystający z chatbotów rzadko albo niemal codziennie. W przypadku tworzenia szkiców prac przewaga umiarkowanego użycia była słabsza niż przy innych zadaniach.

Ogólna pomoc w nauce przyniosła inny wynik. Uczniowie korzystający z AI co tydzień, aby wspierać naukę, osiągali po uwzględnieniu statusu społecznoekonomicznego mniej więcej taki sam poziom jak osoby niekorzystające z niej.

Pełna analiza prac szkolnych wyraźnie ostrzega przed traktowaniem tych zależności jako przyczynowych. Różni uczniowie wdrażają AI z różnych powodów i w różnych warunkach.

Uczeń mający trudności może częściej sięgać po chatbota, ponieważ praca jest już trudna. Taki wzorzec prowadziłby do niższych wyników wśród użytkowników, nie dowodząc, że AI stworzyła pierwotną trudność.

Dostęp również komplikuje porównanie. Uczniowie, którzy nigdy nie używali AI, częściej pochodzili ze środowisk znajdujących się w gorszej sytuacji. Części użytkownicy częściej wywodzili się z uprzywilejowanych środowisk.

Korekty uwzględniające status społecznoekonomiczny zmniejszają tę nierównowagę, ale nie mogą usunąć każdej niemierzonej różnicy. Motywacja, wcześniejsza wiedza, praktyki nauczycieli, konstrukcja oceniania oraz jakość pojedynczych promptów mogą wpływać na wyniki.

Najbezpieczniejszy wniosek jest węższy niż alarmujący nagłówek. Zlecanie konkretnych zadań akademickich koreluje ze słabszą sprawdzaną wiedzą, podczas gdy umiarkowane użycie nastawione na naukę nie wykazuje takiej samej kary.

To rozróżnienie prowadzi do właściwego pytania politycznego. Szkoły nie mogą oceniać AI wyłącznie przez liczenie logowań. Muszą analizować, jaka praca poznawcza pozostaje po stronie ucznia.

Liczba 1,5 roku opisuje dekadę pogorszenia wyników w czytaniu

Często powtarzana strata 1,5 roku odnosi się do wyników w czytaniu od 2015 roku, a nie do zmierzonej kary spowodowanej przez AI.

Średnie wyniki w czytaniu w krajach OECD spadły o 28 punktów od 2015 do 2025 roku. Organizacja przekłada tę różnicę na około półtora roku nauki.

W tym samym dziesięcioleciu wyniki z matematyki spadły o 22 punkty. Wyniki z nauk ścisłych zmniejszyły się bardziej umiarkowanie w ciągu dziesięciu lat i pozostawały zasadniczo stabilne między 2022 a 2025 rokiem.

Wyniki PISA pokazują również, że jeden na pięciu uczniów osiągał słabe wyniki jednocześnie z nauk ścisłych, matematyki i czytania. W 2022 roku odsetek ten wynosił 16%.

Chronologia wyklucza proste wyjaśnienie skupione na ChatGPT lub podobnych usługach. Szerszy spadek rozpoczął się, zanim generatywna AI stała się powszechnym produktem konsumenckim.

PISA nie śledzi tych samych indywidualnych uczniów przez całą dekadę. Próbuje porównywalne grupy 15-latków, tworząc obraz na poziomie systemu, a nie osobistą oś czasu nauki.

Mierzy też wyniki w jednym momencie. Badanie nie może obserwować każdego kroku łączącego aktywność ucznia z chatbotem z wiedzą wykazaną podczas testowania.

OECD przedstawia więc dwa ustalenia, które powinny pozostać rozdzielone. Wyniki akademickie spadały przez dekadę, a obecne wzorce korzystania z AI korelują z różnymi poziomami osiągnięć.

Ich przecięcie nadal zasługuje na uwagę. Generatywna AI pojawiła się podczas przedłużającego się kryzysu uczenia się, gdy wielu uczniom już brakowało solidnych podstaw w czytaniu i matematyce.

Chatbot może stworzyć spójny akapit, nawet gdy jego użytkownik nie potrafi samodzielnie zbudować argumentu. Może streścić rozdział, nie wymagając od czytelnika wskazania jego głównych tez.

Tworzy to lukę pomiarową między ukończoną pracą a utrzymaną zdolnością. Jakość pracy domowej może wzrosnąć, podczas gdy samodzielne wyniki pozostają bez zmian albo spadają.

Nauczyciele otrzymują wtedy mylący sygnał. Dopracowana praca może oznaczać lepszą naukę, przydatne wsparcie redakcyjne, szeroką pomoc maszyny albo niemal całkowite przekazanie zadania.

Uczniowie stają wobec podobnej iluzji. Szybkie ukończenie pracy może wydawać się opanowaniem materiału, ponieważ natychmiastowy wynik wygląda poprawnie. Nieporozumienie staje się widoczne dopiero podczas samodzielnego testu lub późniejszego zadania.

Nie oznacza to, że każda interakcja z chatbotem jest szkodliwa. Oznacza, że wartość edukacyjna zależy od tego, czy AI zachowuje ćwiczenie odtwarzania wiedzy, rozumowania, poprawiania i wyjaśniania.

Sekretarz generalny OECD, Mathias Cormann, jasno ujął to rozróżnienie. Technologia może wzmacniać naukę, powiedział, ale nie wtedy, gdy zastępuje uwagę, wysiłek i zrozumienie.

To stwierdzenie przenosi odpowiedzialność poza samych uczniów. Projekt produktu, instrukcje nauczyciela, struktura zadania i polityka szkoły decydują o tym, jak łatwo AI staje się substytutem.

Spadek o 1,5 roku podnosi stawkę, ponieważ szkoły mają niewiele miejsca na kolejne źródło powierzchownego zaangażowania. Nie dostarcza jednak przyczynowego oszacowania wpływu tego źródła.

Dlaczego streszczanie i tworzenie szkiców powodują najostrzejszy konflikt

AI staje się edukacyjnie ryzykowna, gdy wykonuje operację umysłową, którą zadanie miało ćwiczyć.

Zadanie polegające na streszczeniu rzadko dotyczy wyłącznie stworzenia krótszego dokumentu. Jego celem edukacyjnym jest skłonienie uczniów do wyboru dowodów, rozróżnienia głównych idei i odtworzenia znaczenia.

Gdy chatbot wykonuje te kroki, uczeń otrzymuje widoczny produkt, niekoniecznie ćwicząc ukrytą umiejętność. Ten sam problem dotyczy wstępnego wyszukiwania informacji.

Zadania badawcze uczą formułowania pytań, porównywania źródeł, zarządzania niepewnością i wyboru dowodów. Poproszenie o gotowy przegląd może usunąć te decyzje z procesu pracy ucznia.

Tworzenie szkicu rodzi jeszcze wyraźniejszy konflikt. Pisanie nie jest jedynie końcowym wyrazem wiedzy. Pomaga ludziom odkrywać słabe rozumowanie, brakujące dowody i nierozwiązane sprzeczności.

Wygenerowany pierwszy szkic może wyeliminować to produktywne tarcie. Uczniowie zaczynają od płynnej prozy i stają się redaktorami, zanim sformułują własny argument.

Mechanizm ten pomaga wyjaśnić wnioski OECD dotyczące AI w pracach szkolnych. Osoby niekorzystające z AI na ogół przewyższały użytkowników w konkretnych zadaniach, podczas gdy umiarkowani użytkownicy czasem osiągali lepsze wyniki niż osoby korzystające z niej rzadko lub intensywnie.

Wzorzec ten przypomina krzywą, a nie wybór „zakazać albo wdrożyć”. Pewna pomoc może wspierać naukę, lecz szerokie przekazywanie zadań ogranicza wysiłek, który tworzy trwałą wiedzę.

Oddzielny przegląd edukacji cyfrowej OECD dochodzi do podobnego wniosku. Generatywna AI może pomagać, gdy jej użycie prowadzone jest przez zasady dydaktyczne.

Narzędzia edukacyjne mogą poprosić uczącego się o wyjaśnienie kroku przed przekazaniem informacji zwrotnej. Mogą dostarczać wskazówek, tworzyć pytania ćwiczeniowe albo podważać twierdzenie bez poparcia.

Uniwersalne chatboty zwykle optymalizują działanie pod kątem spełnienia prośby. Jeśli uczeń prosi o odpowiedź, system ma niewiele powodów, by zachować zamierzony poziom trudności zadania.

Ta różnica oddziela korepetycje od ukończenia zadania. Korepetytor zarządza pomocą tak, aby uczeń zachował odpowiedzialność za rozumowanie. Silnik odpowiedzi może natychmiast usunąć tę odpowiedzialność.

Problem nie ogranicza się do oszukiwania. Uczeń może otwarcie korzystać z AI zgodnie z liberalnymi zasadami szkoły, a mimo to ćwiczyć mniej, niż zakłada program nauczania.

Polityki uczciwości akademickiej dotyczą autorstwa, ujawniania użycia i zakazanej pomocy. Projektowanie nauki stawia głębsze pytanie: jakie myślenie uczniowie nadal muszą wykonywać samodzielnie?

Szkoły potrzebują obu warstw. Ujawnienie może poinformować nauczyciela, że AI była zaangażowana, lecz nie pokaże, czy interakcja wzmocniła zrozumienie.

Bardziej użyteczne stają się dowody procesu. Uczniowie mogą zachowywać notatki, ścieżki źródeł, kolejne wersje szkiców, historię promptów oraz krótkie wyjaśnienia odrzuconych sugestii.

Studencka baza wiedzy może wspierać taki możliwy do prześledzenia proces. Wartość edukacyjna wynika z ponownego analizowania dowodów i rozumowania, a nie z gromadzenia wygenerowanych odpowiedzi.

Ocenianie również powinno porównywać wyniki wspomagane i samodzielne. Uczeń może stworzyć esej wspierany przez AI, a następnie ustnie obronić jego argumentację albo napisać bez pomocy powiązany tekst.

Takie projekty czynią użycie AI widocznym, nie traktując każdej interakcji jako naruszenia zasad. Ujawniają także, czy wsparcie przełożyło się na samodzielną umiejętność.

To kluczowe odwrócenie perspektywy. AI może poprawić artefakt, jednocześnie osłabiając proces uczenia się, który artefakt miał reprezentować.

Azja pokazuje, że wysokie wykorzystanie i wysokie wyniki mogą współistnieć

Wyniki azjatyckie podważają wszelkie twierdzenia, że częsty dostęp do chatbotów automatycznie prowadzi do słabych wyników akademickich.

Singapur stanowi najwyraźniejszy kontrprzykład. Jego uczniowie pozostali wśród najlepszych na świecie, jednocześnie zgłaszając szerokie wykorzystanie AI w zadaniach szkolnych.

Około 66% singapurskich uczniów korzystało z chatbotów co najmniej raz w tygodniu, aby wspierać naukę. Średnia OECD wynosiła około 46%.

Tygodniowe użycie było również wysokie w przypadku pojedynczych zadań. W Singapurze 46% uczniów korzystało z AI do wstępnego researchu, 41% do tworzenia podsumowań, a 45% do przygotowywania pisemnych prac.

Jedynie 4% zgłosiło brak lub niemal brak użycia AI w badanych aktywnościach. W krajach OECD odsetek ten wyniósł 14%.

Profil PISA tego kraju wskazuje kolejną ważną liczbę. Około 81% uczniów nauczyło się oceniać informacje wygenerowane przez AI podczas lekcji szkolnych.

Średnia OECD dla tej aktywności w klasie wynosiła około 63%. W uczestniczących systemach deklarowana ekspozycja wahała się od 31% do ponad 80%.

Singapur łączy więc wysoki dostęp z wyjątkowo szerokim nauczaniem oceny informacji. Uczniowie stykają się z AI, ale wielu z nich ćwiczy też kwestionowanie jej wyników.

Korea prezentuje inną wersję tego wzorca. Jej ogólny wskaźnik użycia AI do pracy szkolnej był wyższy od średniej OECD, a zarazem kraj pozostawał wśród najlepiej radzących sobie systemów.

Korea i Singapur prowadzą szeroko zakrojone polityki cyfrowego uczenia się. Krajowe podejście Singapuru wyraźnie obejmuje narzędzia sztucznej inteligencji.

Inne azjatyckie gospodarki pokazują, dlaczego szerokie etykiety regionalne pozostają ryzykowne. Japonia deklaruje stosunkowo niskie użycie AI do pracy szkolnej, podczas gdy Singapur — bardzo wysokie. Oba systemy osiągają dobre wyniki.

Chińskie Tajpej łączy wysokie wyniki z niższym średnim użyciem AI i szeroko zakrojoną polityką cyfrowego uczenia się, sięgającą 2021 roku. Makau łączy wysokie wyniki z szerokim wdrożeniem.

Wyniki dla Chin kontynentalnych obejmują Pekin, Szanghaj, Jiangsu i Zhejiang, a nie cały kraj. Czytelnicy nie powinni traktować tej próby jako oszacowania dla całego kraju.

Lepsze porównanie dotyczy kontroli dydaktycznej. Kilka wysoko ocenianych systemów daje nauczycielom centralną rolę w dostosowywaniu narzędzi cyfrowych do celów lekcyjnych.

Dyrektor ds. edukacji OECD Andreas Schleicher opisał lekcję chińskiej kaligrafii, podczas której uczniowie nadal pisali pędzlami i tuszem. Następnie nauczyciele wykorzystywali AI do analizy pisma odręcznego.

Przykład z klasy jest użyteczny, ponieważ technologia nie wykonała pracy ucznia. Dostarczyła informacji zwrotnej na temat pracy, którą uczeń już wykonał.

Taka struktura zachowuje istotną praktykę. Uczniowie tworzą każdy znak, nauczyciele określają cel nauki, a oprogramowanie dodaje warstwę diagnostyczną.

Porównajmy to z poproszeniem chatbota o napisanie eseju. Drugi sposób pracy przenosi podstawowy akt tworzenia tekstu na model.

Dlatego „AI w edukacji” jest zbyt szerokim pojęciem, by mogło służyć jako zmienna wynikowa. Informacja zwrotna dotycząca kaligrafii, automatyczne redagowanie, prowadzone korepetycje i natychmiastowe podsumowania to różne interwencje.

Średnie krajowe mogą także ukrywać zróżnicowanie między klasami. Jeden nauczyciel może wymagać sprawdzania dowodów i ustnych obron. Inny może dopuścić nieograniczone generowanie przy ograniczonym nadzorze.

Azjatycka adopcja nie podważa zatem zależności na poziomie uczniów wskazanych przez OECD. Pokazuje, że projekt systemu może zmienić znaczenie samej adopcji.

Wysoko oceniane systemy azjatyckie wywierają presję na kraje, które przedstawiają politykę jako wybór między zakazem a nieograniczonym dostępem. Widoczna jest trzecia droga: kontrolowana ekspozycja z zachowaniem autorytetu nauczyciela.

Czego liczby nadal nie mogą nam powiedzieć

PISA identyfikuje sygnał ostrzegawczy, lecz jego obserwacyjny charakter nie pozwala oddzielić wpływu AI od wpływu uczniów i szkół, które z niej korzystają.

Badanie opiera się na deklaracjach uczniów dotyczących częstotliwości i celu użycia. Nie rejestruje każdego polecenia, odpowiedzi, poprawki ani reguły klasowej towarzyszących tym interakcjom.

Dwóch uczniów może wybrać tę samą kategorię częstotliwości, korzystając z AI w bardzo różny sposób. Jeden może prosić o wyjaśnienia, podczas gdy drugi przesyła wygenerowany tekst po minimalnej weryfikacji.

Szerokie sformułowanie „pomóż mi się uczyć” wprowadza dodatkową niepewność. Może oznaczać korepetycje, tłumaczenie, burzę mózgów, generowanie ćwiczeń, sprawdzanie odpowiedzi albo bezpośrednie prośby o rozwiązanie.

Wyniki z nauk ścisłych stanowią podstawowy rezultat w tym cyklu PISA. Nie mogą odzwierciedlać każdego wpływu na jakość pisania, kreatywność, pewność siebie, umiejętności badawcze ani długoterminowe zapamiętywanie.

Ocena nie może też ustalić kierunku zależności. Uczniowie osiągający słabsze wyniki mogą sięgać po AI, ponieważ potrzebują pomocy, co sprawia, że użycie AI jest częściowo odpowiedzią na trudności.

Części użytkownicy mogą mierzyć się z wymagającym obciążeniem pracą, które sprzyja automatyzacji. Szkoły ze słabymi systemami wsparcia mogą polegać na konsumenckich chatbotach jako niedrogich substytutach.

Inna możliwość działa w przeciwnym kierunku. Powtarzane delegowanie zadań może ograniczać praktykę i osłabiać późniejsze samodzielne wyniki. PISA nie może określić wkładu każdego z tych mechanizmów.

Nawet związek między nauczaniem kompetencji AI a wynikami wymaga ostrożności. Uczniowie z uprzywilejowanych środowisk częściej deklarują takie możliwości uczenia się.

Szkoły, które skutecznie uczą weryfikacji, mogą również mieć lepszych nauczycieli, większe zasoby i bardziej wspierające rodziny. Czynniki te mogą niezależnie wpływać na wyniki.

OECD mimo to odkryła obiecujący wzorzec. Części użytkownicy AI do ogólnej nauki, którzy dodatkowo oceniali informacje AI na lekcjach, osiągali nieco lepsze wyniki z nauk ścisłych niż rzadcy użytkownicy lub osoby niekorzystające z niej.

Wynik ten wspiera koncepcję kontrolowanego użycia, ale nie dowodzi, że konkretna lekcja spowodowała różnicę. Raport opisuje zależność w złożonym środowisku uczenia się.

Kolejna niepewność dotyczy zmian produktów. Chatboty używane w 2025 roku różnią się od późniejszych systemów pod względem dokładności, projektu interfejsu, personalizacji i zabezpieczeń edukacyjnych.

Przyszłe narzędzia mogą stać się lepszymi korepetytorami. Mogą też lepiej wykonywać zadania w niewidoczny sposób, pogłębiając różnicę między pozornym rezultatem a zachowanymi kompetencjami.

Szkoły nie mogą czekać na doskonałe dowody, ponieważ adopcja jest już powszechna. Powinny jednak unikać przekształcania wstępnych korelacji w uniwersalne zakazy.

Całkowity zakaz może zepchnąć użycie do ukrycia. Może też pozbawić uczniów nadzorowanej praktyki z narzędziami, z którymi zetkną się na studiach i w pracy.

Nieograniczona adopcja niesie przeciwne ryzyko. Pozwala, by domyślne ustawienia produktów determinowały pedagogikę, mimo że konsumenckie chatboty nie zostały zaprojektowane wokół indywidualnych programów nauczania.

Ostrożną odpowiedzią polityczną są kontrolowane eksperymenty. Szkoły mogą określić dozwolone zadania, zachować oceny wykonywane bez pomocy, uczyć weryfikacji i porównywać wyniki w czasie.

Powinny mierzyć więcej niż jakość oddawanych prac. Przydatne wskaźniki obejmują odroczone przypominanie, samodzielny transfer wiedzy, trafność źródeł, jakość rewizji oraz zdolność wyjaśnienia toku rozumowania.

Takie miary sprawdziłyby mechanizm stojący za ustaleniami OECD dotyczącymi użycia AI do pracy szkolnej. Pokazałyby, czy chatbot wspiera pracę poznawczą, czy jedynie ukrywa jej brak.

Trzy sygnały pokażą, czy szkoły uczą się na podstawie PISA

O kolejnej fazie zdecydują projekt oceniania, prowadzona przez nauczycieli edukacja w zakresie AI oraz dowody, że kontrolowane użycie przekłada się na samodzielne wyniki.

Pierwszym sygnałem jest przejście w stronę oceniania uwzględniającego proces. Szkoły powinny ujawniać sposób użycia AI i wymagać od uczniów wykazania tej samej wiedzy bez pomocy.

Warto obserwować ustne obrony, pisanie pod nadzorem, rejestry poleceń, dzienniki źródeł i etapowe wersje robocze. Takie podejścia oddzielają dopracowany rezultat od rzeczywistego zrozumienia.

Jeśli systemy szkolne przyjmą je szeroko, ostrzeżenie OECD wzmocni argument za przeprojektowaniem zamiast zakazu. Jeśli zadania pozostaną bez zmian, niewidoczne delegowanie nadal będzie trudne do zmierzenia.

Drugim sygnałem jest szersze nauczanie oceny generowanych informacji. Około sześciu na dziesięciu uczniów OECD już deklaruje, że robi to podczas lekcji szkolnych.

Jakość tego nauczania ma większe znaczenie niż samo odhaczenie pola. Uczniowie muszą sprawdzać twierdzenia, odnajdywać pierwotne dowody, rozpoznawać niepewność i identyfikować przekonującą, lecz niepopartą dowodami prozę.

Wskaźnik ekspozycji na poziomie 81% w Singapurze stanowi użyteczny punkt odniesienia, a nie pełne wyjaśnienie jego wyników. Inne systemy muszą wykazać, że ćwiczenia z oceny zmieniają zachowania uczniów.

Jeśli kompetencje AI będą się rozwijać, a samodzielne wyniki poprawiać, kontrolowane użycie zyska potwierdzenie. Jeśli ekspozycja wzrośnie bez lepszych rezultatów, szkoły będą potrzebować mocniejszych projektów dydaktycznych.

Trzecim sygnałem są badania podłużne porównujące różne formy wsparcia. Badacze muszą oddzielić korepetycje, informację zwrotną, burzę mózgów, podsumowywanie, research i redagowanie.

Potrzebują też testów odroczonych. Natychmiastowe wykonanie zadania może się poprawić nawet wtedy, gdy uczniowie zachowują mniej wiedzy tydzień lub miesiąc później.

Kolejny cykl PISA pomoże, ale szkoły nie powinny polegać wyłącznie na badaniu prowadzonym co trzy lata. Okręgi szkolne i ministerstwa mogą prowadzić kontrolowane ewaluacje w ramach istniejących kursów.

OECD już przygotowuje obszar kompetencji medialnych i AI dla PISA 2029. Ta ocena powinna ujawnić, czy uczniowie potrafią krytycznie angażować się w informacje pośredniczone przez AI.

Twórcy produktów również stoją przed jasnym sprawdzianem. Tryby edukacyjne powinny powstrzymywać się od podawania kompletnych odpowiedzi, zanim uczniowie podejmą próbę rozwiązania podstawowego problemu.

Nauczyciele potrzebują kontroli nad głębokością podpowiedzi, wymaganiami dotyczącymi źródeł, adekwatnością wiekową i rejestrami aktywności. Bez tych funkcji „AI tutor” pozostaje raczej kategorią marketingową niż gwarancją edukacyjną.

Rodzice i uczniowie mogą już teraz stosować ten sam standard. Powinni pytać, czy chatbot rozwija myślenie, sprawdza je, czy je zastępuje.

W przypadku podsumowań najpierw przeczytaj tekst i przygotuj główne punkty przed poproszeniem o informację zwrotną. W przypadku researchu zbierz oryginalne źródła, zanim poprosisz AI o ich porównanie.

W przypadku pisania sformułuj argument i przygotuj wstępną strukturę, zanim użyjesz modelu do krytyki. Zachowaj wersję wykonanej bez pomocy kluczowej praktyki.

Raportowane ostrzeżenie OECD jest poważne, lecz jego najbardziej dramatyczna interpretacja nie ma potwierdzenia. AI nie otrzymała w PISA przyczynowej kary 1,5 roku.

Rzeczywiste ustalenie jest bardziej użyteczne. Uczniowie często uzyskują niższe wyniki, gdy chatboty wykonują konkretne zadania szkolne, podczas gdy kontrolowane i umiarkowane użycie do nauki podąża innym wzorcem.

Pozostawia to szkołom pilne pytanie: czy ich polityki dotyczące AI chronią wysiłek, który tworzy wiedzę, czy tylko poprawiają prace oddawane przez uczniów?