Playbook PL

0. O Playbooku DUAL.AI.TEACHer

Cele Playbooka

Ten Playbook jest skierowany do nauczycielek i nauczycieli, dyrektorek i dyrektorów szkół oraz wykładowczyń i wykładowców akademickich, którzy chcą zdobyć niezbędną wiedzę na temat wykorzystania sztucznej inteligencji (SI) w szkołach oraz zmieniania swoich instytucji z myślą o (lepszym) wykorzystaniu SI. SI w szkole i w kształceniu nauczycieli może być wykorzystywana do wielu różnych celów. Jeśli chodzi o nauczanie, rozróżniamy „nauczanie o SI” i „nauczanie z użyciem SI” w celu przekazywania wiedzy specyficznej dla danego przedmiotu.

Rozwój sztucznej inteligencji postępuje niezwykle szybko, a jej wykorzystanie coraz mocniej przenika nasze społeczeństwo, docierając zarówno do aspektów życia codziennego, jak i do edukacji. Ta wszechobecność niesie ze sobą liczne, często wzajemnie powiązane konsekwencje, obejmujące wymiary etyczne, społeczne, ekonomiczne, prawne i kulturowe, dotykające takich kwestii jak ochrona danych, sprawiedliwość i niedyskryminacja, przejrzystość algorytmiczna, bezpieczeństwo techniczne i odpowiedzialność. Właśnie ze względu na tempo tego rozpowszechniania się i skalę jego konsekwencji, rośnie potrzeba wspólnych wytycznych, ram regulacyjnych i narzędzi zarządzania zdolnych ukierunkować rozwój technologiczny w sposób odpowiedzialny i zrównoważony.

Struktura Playbooka

Aby uwzględnić wszystkie te aspekty, ustrukturyzowaliśmy Playbook w następujący sposób:

Jak poruszać się po Playbooku

Gemini_Generated_Image_t1spb4t1spb4t1sp.jpg

Rys. 1: „Ścieżki do eksperckości” (obraz wygenerowany przez SI, Google Gemini)

Dla nauczycielek i nauczycieli

Playbooka można używać na różne sposoby. 

Opcja 1: Szukacie pomysłów na najbliższy dzień w szkole, aby nauczać uczniów o SI lub wykorzystać SI do nauczania treści przedmiotowych.

W takim wypadku przejdźcie bezpośrednio do rozdziału 2, w którym stale dodajemy nowe przykłady dobrych praktyk. Mamy nadzieję, że znajdziecie to, czego szukacie. Jeśli nie, napiszcie do nas, abyśmy mogli opracować nowy materiał odpowiadający na wskazaną przez Was lukę.

Opcja 2: Chcecie dowiedzieć się więcej o ramach prawnych regulujących korzystanie z SI.

W takim wypadku przejdźcie do rozdziału 1.1.

Opcja 3: Chcielibyście zdobyć kwalifikacje potrzebne do skutecznego nauczania o SI i włączania SI do nauczania swojego przedmiotu. 

W takim wypadku zapraszamy Was do wypełnienia naszego testu wstępnego, a następnie do skorzystania z naszych modułów kwalifikacyjnych. Zdobywając mikropoświadczenia, możecie realizować kompleksowe doskonalenie zawodowe dostosowane do Waszych kompetencji.

Dla dyrekcji szkół

Jesteście gotowi wyruszyć razem ze swoją szkołą w pasjonującą podróż, która wprowadzi SI do Waszego świata zawodowego? W rozdziale 5 wytyczamy wyraźną mapę drogową, która poprowadzi Was na każdym etapie. Nasz program kwalifikacyjny pozwoli Wam przygotować koleżanki i kolegów do czekającej Was przygody.

Dla kadry akademickiej

SI odciska swój ślad na kształceniu nauczycieli — czasem zdecydowanymi pociągnięciami, czasem w sposób subtelny. Traktując kształcenie nauczycieli jako podróż, która rozpoczyna się na uczelni i rozwija się w czasie, rozdział 5 oferuje Wam mapę drogową, która ma inspirować i wspierać przyszłe nauczycielki i przyszłych nauczycieli w odkrywaniu zmieniającego się krajobrazu SI.

1. SI w Edukacji

1. SI w Edukacji

1.1 Potencjał i ryzyko

Jeśli zapamiętasz z tej strony tylko jedno zdanie: SI trafiła do szkół jak lekarstwo bez ulotki informacyjnej dla pacjenta. Jako nauczyciel nie wiesz, kiedy stosować SI, brakuje Ci informacji o dawkowaniu i nie masz danych o skutkach ubocznych. Ten rozdział pełni rolę takiej ulotki informacyjnej dla Playbooka.

Czy SI powinna mieć ulotkę informacyjną jak lekarstwo?

Znasz tę karteczkę wsuniętą do każdego opakowania leku? Tę, którą zwykle odkładasz na bok bez czytania? Może wydawać się nudna, ale ten mały skrawek papieru to cichy triumf ostatniego stulecia. Ulotka opisuje cztery kluczowe rzeczy: na co lek działa, jaką dawkę przyjmować, jakie niespodzianki może przynieść i kto powinien go unikać.

Za każdą linijką tej ulotki stoi cała machina: badania kliniczne, organy regulacyjne i obowiązek ujawniania błędów. Nikt nie wierzy, że sama ulotka leczy. Jej prawdziwa moc polega na tym, że czyni lek bezpiecznym dla każdego. Właśnie tej magii brakuje nam, gdy pozwalamy SI uczyć bez żadnych wskazówek.

Narzędzia SI, które obecnie po cichu zadomawiają się w Twojej szkole, dziedziczą problem starszy niż sama SI: technologie edukacyjne rzadko były dostarczane z instrukcją. W Wielkiej Brytanii przegląd wykazał, że tylko 7 na 100 firm z branży technologii edukacyjnych poddało swoje produkty badaniu z randomizacją, a tylko 12 na 100 uzyskało zewnętrzną certyfikację. Szkoły rzadko wymagają więcej. W ankiecie przeprowadzonej w 17 amerykańskich stanach tylko 11 na 100 nauczycieli i członków kadry zarządzającej zażądało recenzowanych dowodów przed wdrożeniem nowego narzędzia.

Efektem są w wielu przypadkach zmarnowane pieniądze. W USA średnio dwie trzecie licencji na oprogramowanie edukacyjne pozostawało niewykorzystanych, a 98 na 100 nigdy nie było intensywnie używanych. Projekt EdTech Genome, również w USA, przeanalizował około 7000 narzędzi dydaktycznych o wartości 13 miliardów dolarów i stwierdził, że 85 na 100 z nich było albo źle dopasowanych, albo nieprawidłowo wdrożonych.

Ten rozdział może wyglądać jak sucha, ale konieczna część, w rzeczywistości jednak odsłania historie ukryte za przepisami. Pokazuje, co naprawdę się wydarzyło, kogo to dotknęło, i rzuca światło na skutki uboczne – także te, które po cichu dotarły do dzieci, które nigdy się na to nie zapisały.

Potencjał SI

Większość badań nad potencjałem SI dotyczy studentów uczelni wyższych. Uczniowie szkół jak dotąd pojawiają się w tych badaniach stosunkowo rzadko. Do tego większość badań dotyczy krótkoterminowych interwencji trwających od kilku godzin do kilku tygodni. W związku z tym tak zwany efekt nowości mógł pozytywnie wpłynąć na wyniki. Obszerny przegląd 68 eksperymentów wykazał dokładnie taki wzorzec: im krótsze badanie i im mniejsza liczba uczestników, tym większa odnotowana korzyść z SI.

(1) Pozwól SI wyjaśnić nowy temat, a ćwiczenia zostaw na lekcję

Wyobraź sobie. Jutro, gdy uczeń przegapi temat albo znów będzie potrzebował wyjaśnienia trudnego zagadnienia, pozwól, by pierwsze wyjaśnienie przeprowadził korepetytor SI. Ćwiczenia zachowaj na swoją lekcję, tam gdzie prawdziwe uczenie się nabiera życia.

Dlaczego to ważne. W dobrze kontrolowanym badaniu korepetytor SI nauczył nowego materiału co najmniej tak dobrze jak dobra lekcja. W badaniu Uniwersytetu Harvarda 194 studentów fizyki uczyło się dwóch tematów. Jeden temat poznawali za pomocą korepetytora SI stworzonego specjalnie w tym celu. Drugiego tematu uczyli się na dobrze prowadzonych zajęciach z aktywnym uczeniem się – z dyskusją i rozwiązywaniem problemów w parach, a nie w formie wykładu. Każdy student przechodził przez obie metody, więc nikt nie może twierdzić, że silniejsza grupa otrzymała lepsze traktowanie. W teście przeprowadzonym bezpośrednio po zajęciach uczniowie uczeni przez SI osiągnęli znacząco lepsze wyniki. Badacze odnotowali medianę czasu wykonania zadania na poziomie 49 minut, wobec 60 minut przewidzianych na lekcję w planie zajęć. Autorzy zachowują ostrożność w interpretacji tych wyników: materiał był dla studentów nowy, a znaczna część zadania polegała po prostu na dobrym jego wyjaśnieniu. Wyraźnie zastrzegają, że nie rozciągają swojego wyniku na zadania wymagające łączenia kilku idei. Poza tym byli to studenci studiów licencjackich, a nie uczniowie ósmej klasy.

W tym samym kierunku wskazuje obszerny przegląd łączący wyniki 228 badań – z jednym ważnym ograniczeniem. Generatywna SI przynosiła większe korzyści w zakresie wiedzy i rozumienia niż starsze formy SI, takie jak inteligentne systemy tutorskie i oprogramowanie do adaptacyjnych ćwiczeń. Był to jednak jedyny z czterech mierzonych w przeglądzie obszarów, w którym generatywna SI miała przewagę.

Sięgnij głębiej. Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, artykuł 17458. Dostęp bezpłatny, DOI 10.1038/s41598-025-97652-6. Artykuł opisuje, jak zaprojektowano i skontrolowano korepetytora – przydatne dla każdego, kto chciałby samodzielnie stworzyć korepetytora SI.

(2) Lepsze wykorzystanie czasu na planowanie lekcji

Wyobraź sobie. Zaoszczędź część czasu potrzebnego na planowanie lekcji, wykorzystując SI do przygotowania pierwszej wersji konspektu, którą następnie dokładnie przejrzysz i poprawisz.

Dlaczego to ważne. Nikt nie kwestionuje, że nauczyciele są mocno obciążeni pracą. Dlatego jedną z potencjalnych korzyści SI jest bardziej efektywne wykorzystanie czasu pracy. Badanie przeprowadzone w Anglii sprawdzało, czy celowe wykorzystanie SI do planowania lekcji może zmniejszyć obciążenie nauczycieli. Badacze losowo przydzielili 259 nauczycieli przedmiotów przyrodniczych z 68 szkół albo do grupy korzystającej z ChatGPT wraz z internetowym przewodnikiem po jego dobrym wykorzystaniu, albo do grupy, którą poproszono, by w ogóle nie korzystała z generatywnej SI. Nauczyciele z grupy ChatGPT poświęcali tygodniowo około 56 minut na planowanie lekcji przyrodniczych dla klas 7 i 8 (uczniowie w wieku 11–13 lat), w porównaniu z około 81 minutami w grupie porównawczej. Panel ekspertów przedmiotowych ocenił jakość konspektów lekcji, nie wiedząc, czy powstały z pomocą SI, czy bez niej. Eksperci nie znaleźli dowodów na to, że jakość konspektów się różniła. Trzeba jednak podkreślić dwie kwestie. (1) Nauczyciele z tygodnia na tydzień korzystali z narzędzia coraz rzadziej. Ewaluatorzy interpretują to jako przejście nauczycieli od fazy uczenia się do rutyny; może to jednak również oznaczać, że oszczędność czasu nie utrzyma się bez wsparcia. (2) Badanie mierzyło czas, jaki nauczyciele poświęcali na planowanie lekcji, a nie efekty uczenia się ich uczniów.

Głosy z praktyki

„Wszystko sprowadza się do czasu. Nawet nauczyciele, którzy dostrzegają wartość SI, rzadko mają czas, by nauczyć się z niej korzystać.”

Sięgnij głębiej. Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024, 12 grudnia). ChatGPT in lesson preparation: A Teacher Choices Trial. NFER, na zlecenie Education Endowment Foundation oraz Hg Foundation. Dostępne bezpłatnie na educationendowmentfoundation.org.uk.

(3) Lepsze wsparcie dla uczniów, którzy nie w pełni korzystają ze standardowych lekcji

Wyobraź sobie. Twoja szkoła decyduje, jak chce wydać swoje środki. Chce zakupić chatbota SI. Jak myślisz, jak prawdopodobne jest, że dostawcy chatbota przedstawią Ci dowody na korzyści płynące z bota dla różnych przedmiotów?

Dlaczego to ważne. Dostawca może powołać się na badania dotyczące uczniów z niepełnosprawnościami – jedną z najdłużej badanych dziedzin SI w edukacji, a zarazem taką, którą łatwo przeoczyć przy przydzielaniu środków. W analizie 29 badań obejmujących 41 grup uczniów z niepełnosprawnościami badacze stwierdzili umiarkowane korzyści w szerokim zakresie kontekstów. Warto jednak przeczytać drobny druk. W siedmiu na dziesięć z tych badań „SI” oznaczała robota, zwykle humanoidalnego, często sterowanego przez badacza poza polem widzenia dziecka. Tylko jedno na pięć badań dotyczyło oprogramowania. To nie jest więc dowód na to, że chatbot pomoże uczniowi z autyzmem w Twojej klasie. Recenzenci nie potrafili też wskazać, co sprawia, że te interwencje są skuteczne. Na podstawie swoich badań nie byli w stanie określić, czym różniły się badania, które zadziałały, od tych, które nie przyniosły efektu.

Sięgnij głębiej. Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. Dostęp bezpłatny, DOI 10.3102/00346543241293424. Prawdziwym skarbem jest tabela uwzględnionych badań: od razu pokazuje, jak niewielka część tej dziedziny faktycznie dotyczy narzędzi obecnie sprzedawanych szkołom.

(4) Uczenie, jak SI się myli

Wyobraź sobie. Poproś klasę o stworzenie dziesięciu obrazów „lekarza” i dziesięciu obrazów „pielęgniarki”. Policzcie, kto pojawia się w każdym zestawie, a następnie zainicjujcie dyskusję: skąd wzięły się te wzorce i kto podjął te decyzje?

Gemini_Generated_Image_mfaur1mfaur1mfau.jpg

Rys. 1: „Polecenie typu one-shot: lekarz, pielęgniarka” (obraz wygenerowany przez SI, NanoBanana 2)

Dlaczego to ważne. Klasyczna wersja tej lekcji wydaje się przestarzała – i właśnie dlatego zasługuje na uwagę. Przez lata demonstracja była przewidywalna: poproś o lekarza, a pojawi się mężczyzna. W teście przeprowadzonym przez organizację non-profit AlgorithmWatch Midjourney niemal zawsze przedstawiał lekarzy jako białych mężczyzn, podczas gdy Adobe Firefly podejmował widoczne, choć niedoskonałe, próby zróżnicowania. Recenzowane badanie 2400 wygenerowanych przez SI obrazów chirurgów wykazało ten sam podział między produktami: dwa z trzech popularnych generatorów nie pokazywały niemal żadnych kobiet, podczas gdy trzeci zbliżył się do rzeczywistego odsetka kobiet w chirurgii.

Wypróbuj dziś to samo polecenie, a możesz zobaczyć lekarkę albo pielęgniarza (rys. 1). Nie daj się jednak zwieść myśli, że uprzedzenie zniknęło. Analiza z 2026 roku obejmująca 1344 obrazy z trzech popularnych generatorów ujawniła coś przeciwnego: gdy poproszono o „kompetentną osobę”, jeden z systemów nie pokazał ani jednej kobiety.

To, co się zmieniło, to nie samo uprzedzenie, lecz warstwa, w której ono żyje – i to jest właśnie ta ważna lekcja! Za każdym z tych obrazów stoją ludzkie decyzje: na czym system był trenowany i co jego twórcy później zdecydowali, że powinien pokazywać. Ta druga warstwa jest regulowalna, niewidoczna i ustalana przez firmę.

Pierwsza warstwa ludzkich decyzji to to, co system wchłonął. Miliony obrazów, stworzonych i opisanych przez ludzi, z których każdy odzwierciedlał świat takim, jakim już był. To właśnie tę warstwę ujawnia klasyczna lekcja o uprzedzeniach i uczniowie łatwo ją pojmują: maszyna stała się odbiciem tego, czym ją nakarmiono.

Druga warstwa jest kształtowana przez to, co firma decyduje się Ci pokazać w kolejnym kroku, a mimo to ten wpływ nie pozostawia śladu w samym obrazie. Dzieją się tu trzy rzeczy, każda opisana przez twórców własnymi słowami.

Gdy więc uczeń wpisuje „lekarz” i pojawia się kobieta, sam obraz nie daje żadnej wskazówki, która warstwa ją stworzyła. Ta niepewność nie jest wadą tej lekcji. To właśnie jest ta lekcja.

Stara narracja głosiła, że maszyna po prostu wchłonęła uprzedzenia społeczeństwa. Nowa narracja sięga głębiej i trwa dłużej: firma dokonała wyboru! Tego wyboru nie widać w efekcie końcowym, a może się on zmienić we wtorek, po cichu, bez ostrzeżenia. Ta prawda przetrwa każdy kolejny model. Lekcja o stereotypach traci na znaczeniu.

To jest lekcja, na którą warto zwrócić uwagę uczniów i która przetrwa kolejną aktualizację modelu: obraz nie jest prostym odbiciem rzeczywistości i nie powstał przez przypadek. Ktoś dokonał wyboru.

Zeichenfläche 1-100.jpg

Rys. 2: „Dlaczego obraz wygenerowany na podstawie polecenia typu «narysuj lekarza» wygląda tak, jak wygląda, i dlaczego sam obraz Ci tego nie powie” (obraz wygenerowany przez SI, NanoBanana 2)

Tę lekcję można zacząć wcześnie. Gdy 209 fińskich uczniów w 12 klasach, w 6. i 7. roku nauki, zgłębiało ten temat, odsetek tych, którzy potrafili wyjaśnić uprzedzenie na podstawie danych, wzrósł z około 7 na 100 do 44 na 100. Uczciwe zastrzeżenie: badanie mierzyło to, co dzieci potrafiły wyjaśnić, a nie to, jak zachowałyby się później.

Głosy z praktyki

„Uprzedzenia (bias) nie są czymś właściwym wyłącznie SI. Nawet podręczniki mogą je zawierać. Liczy się wiedza o przypadkowości, o danych stojących za odpowiedzią i o możliwych zniekształceniach.”

Sięgnij głębiej. Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. Dostęp bezpłatny, DOI 10.1177/14614448241252820. Badanie nie miało grupy porównawczej – należy je traktować jako obiecujący projekt zajęć, a nie jako dowód.

Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Online first. Dostęp bezpłatny, DOI 10.1177/14614448261435197.

Ali, R., et al. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. DOI 10.1001/jamasurg.2023.5695.

Wypowiedzi samych dostawców: OpenAI (2022), Reducing bias and improving safety in DALL·E 2; Depue, W. (2023), What’s new with DALL·E 3?, OpenAI Cookbook; Raghavan, P. (2024), Gemini image generation got it wrong. We’ll do better, Google.

Jak solidne są obecnie wyniki badań nad potencjałem SI?

Najważniejsza rzecz. Jeśli ktoś przytacza Ci badanie, zanim się z nim zgodzisz, zadaj dwa pytania: „Kim byli uczący się i jak długo trwało badanie?”.

Dlaczego to ważne. W 2025 roku metaanaliza 51 badań wykazała dużą korzyść ChatGPT dla wyników w nauce uczniów. Artykuł został przeczytany setki tysięcy razy i posłużył za podstawę wielu pewnych siebie stwierdzeń w pokojach nauczycielskich. 22 kwietnia 2026 roku czasopismo wycofało ten artykuł. Wycofanie oznacza, że czasopismo oficjalnie odwołuje coś, co opublikowało; artykuł pozostaje widoczny, oznaczony dopiskiem „WYCOFANO”, tak aby każdy, kto go cytował, mógł to rozpoznać. Dwoje badaczy, którzy nie brali udziału w tym badaniu, wykryło niespójności w analizie. Redaktor czasopisma napisał, że problemy „podważają zaufanie redakcji do trafności analizy”. Autorzy nie odpowiedzieli na korespondencję w tej sprawie.

Nie oznacza to, że SI nie ma żadnego wpływu. Istnieją rzetelne badania wskazujące na umiarkowane korzyści. Ta dziedzina badań również nie jest jeszcze dobrze zdefiniowana, ponieważ jest stosunkowo nowa i bardzo dynamiczna. Oznacza to, że często cytowana liczba była błędna i że potrzeba było roku oraz dwojga zewnętrznych ekspertów, aby to zauważyć.

Warto wspomnieć o jeszcze jednym zastrzeżeniu. Przynajmniej w matematyce im bliżej szkoły znajdują się dowody, tym mniejszy jest efekt. W ujęciu wszystkich przedmiotów obraz jest niejednoznaczny: niektóre nowsze przeglądy wskazują na większe efekty w szkołach niż na uczelniach – ale badań szkolnych jest wciąż niewiele i obejmują one niewielkie próby.

Sięgnij głębiej. Samo wycofanie liczy jedną stronę, jest bezpłatne i warto je przeczytać właśnie dlatego, że jest krótkie: Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking. Humanities and Social Sciences Communications, 13, 528. DOI 10.1057/s41599-026-07310-z.

Wycofany oryginał to HSSC 12, 621 (2025). Wciąż aktualne: Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13, 684. Dostęp bezpłatny, DOI 10.1057/s41599-026-07019-z.

Wynik dotyczący wyłącznie szkół w zakresie matematyki: Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. DOI 10.1007/s10763-024-10499-7.

Szersza, nowsza analiza zbiorcza: Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714. DOI 10.1016/j.edurev.2025.100714.

Ryzyka związane z SI

(1) Robienie czegoś to nie to samo, co uczenie się

Wyobraź sobie. Zanim zlecisz pracę domową, którą chatbot może wykonać za ucznia, zastanów się, jaki jest cel tego zadania. Czy warto by było je zmienić?

Dlaczego to ważne. Czy z chatbotem uczysz się szybciej? Około tysiąca uczniów klas 9–11 ćwiczyło matematykę w trzech grupach: jedna korzystała ze standardowego chatbota, druga z wersji zaprogramowanej tak, by nie podawać od razu odpowiedzi, tylko zadawać pytanie pomocnicze, a trzecia nie korzystała z chatbota wcale. Podczas pracy z chatbotem grupa korzystająca ze standardowego chatbota wykonała o 48 procent więcej ćwiczeń niż grupa bez chatbota. Później wszyscy przystąpili do tego samego egzaminu bez chatbota. Wynik, który początkowo wydawał się zaskakujący, był taki, że grupa korzystająca ze standardowego chatbota osiągnęła wynik o 17 procent gorszy niż uczniowie, którzy w ogóle nie korzystali z chatbota. Grupa, która pracowała z chatbotem niepodającym od razu odpowiedzi, nie wykazała spadku wyników w teście w porównaniu z grupą bez chatbota, a przy tym ćwiczyła więcej. Uczniowie korzystający ze standardowego chatbota nie byli ani leniwi, ani nie oszukiwali. Pracowali ciężej, a nauczyli się mniej, ponieważ narzędzie wyeliminowało nie wysiłek, lecz wyzwanie poznawcze, które stanowi istotę uczenia się.

Głosy z praktyki

„SI sprawia, że bardzo łatwo uzyskać rozwiązanie, nie rozumiejąc go.”

Sięgnij głębiej. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122, e2422633122. DOI 10.1073/pnas.2422633122.

(2) Detektory SI karzą niewłaściwych uczniów

Wyobraź sobie. Otrzymujesz wypracowanie ucznia do oceny. Ciekawi Cię jego autentyczność, więc wprowadzasz je do detektora SI. Wynik pojawia się natychmiast: wypracowanie zostało niemal na pewno napisane przez SI.

Dlaczego to ważne. Korzystasz z detektora SI, by zapewnić uczciwość, jednak dla pewnej grupy uczniów detektory działają dokładnie odwrotnie. Detektor nie rozpoznaje tekstu wygenerowanego przez maszynę. Mierzy, jak przewidywalne jest słownictwo. I właśnie na tym polega problem – na przykład wtedy, gdy uczeń pisze w języku obcym, ma niewielką wprawę w pisaniu albo dysponuje ograniczonym słownictwem codziennym. Jego tekst jest przewidywalny. Gdy siedem powszechnie używanych detektorów przeanalizowało 91 wypracowań napisanych na egzamin TOEFL z języka angielskiego przez osoby niebędące rodzimymi użytkownikami języka – zebranych z chińskiego forum internetowego – błędnie oznaczyły je jako wygenerowane przez maszynę w około sześciu na dziesięć przypadków. Wypracowania amerykańskich uczniów ósmej klasy, piszących w swoim ojczystym języku angielskim, były niemal wszystkie klasyfikowane poprawnie. Narzędzie, które generuje fałszywe alarmy dokładnie dla jednej grupy, nie jest neutralne. Co więcej, ta grupa ma najmniejsze możliwości obrony.

Sięgnij głębiej. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Dostęp bezpłatny, DOI 10.1016/j.patter.2023.100779.

(3) Gdzie właściwie trafiają dane uczniów?

Wyobraź sobie. Korzystasz z narzędzia SI oferowanego przez Twoją szkołę. Spróbuj ustalić, dokąd trafiają dane uczniów.

Dlaczego to ważne. Czy Twoja szkoła może zagwarantować, że dane nie są przekazywane stronie trzeciej? Strona trzecia to firma, która nie jest ani Twoją szkołą, ani twórcą aplikacji. Zazwyczaj są to firmy reklamowe lub analityczne, które otrzymują dane w trakcie pracy ucznia. Nikt w szkole nie wybrał tej firmy. Gdy badacze przeprowadzili techniczną analizę 163 produktów edukacyjnych rekomendowanych przez rządy w czasie zamknięcia szkół związanego z pandemią, 145 z nich przetwarzało dane dzieci w sposób, który zagrażał ich prawom lub je naruszał, przekazując dane 196 firmom trzecim lub przyznając im do nich dostęp, głównie z branży reklamowej. Spośród 42 rządów, które opracowały własne produkty zamiast je kupować, 39 stworzyło produkty z tym samym problemem. Badanie obejmuje produkty z 2021 roku i część z nich mogła się od tego czasu zmienić. Nie możemy jednak wykluczyć, że to samo dotyczy dzisiejszych aplikacji SI.

Sięgnij głębiej. Human Rights Watch (2022). „How dare they peep into my private life?”: Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. Dostęp bezpłatny na hrw.org. Aneksy krajowe pozwalają sprawdzić, co i gdzie zostało zarekomendowane.

(4) SI trafia tam, gdzie jest najbardziej potrzebna, jako ostatnia

Wyobraź sobie. Ile szkoleń już odbyłeś/odbyłaś na temat uczenia o SI albo przedmiotowego nauczania z wykorzystaniem SI?

Dlaczego to ważne. W jednym eksperymencie dorośli z wykształceniem wyższym i bez niego rozwiązywali zadanie biznesowe przypominające typowe zadania zawodowe. Dzięki asystentowi SI zniknęły około trzech czwartych różnicy między obiema grupami. Gdy badacze następnie odebrali asystenta, znaczna część tej różnicy powróciła. Autorzy wnioskują, że SI wykonała dużą część pracy i że po jej odebraniu utrzymała się tylko część korzyści.

Ankieta wśród amerykańskich dyrektorów szkół uzupełnia drugą połowę obrazu: im bardziej defaworyzowani byli uczniowie danej szkoły, tym mniej szkoła zrobiła, aby zintegrować SI – mniej regulaminów, mniej szkoleń dla nauczycieli, mniej wskazówek dotyczących korzystania z SI przez uczniów. To korelacja, a nie dowód związku przyczynowego.

Podsumowując: dobre narzędzie może zmniejszyć różnicę, dopóki znajduje się w rękach osoby uczącej się. Zazwyczaj jednak trafia do szkół, które potrzebują go najmniej, a po jego odebraniu pozostaje tylko część korzyści.

Niemieckie dane pokazują ten sam wzorzec. Wśród 1590 młodych ludzi w wieku od 14 do 20 lat 80 procent z najzamożniejszych rodzin, ale tylko 55 procent z najmniej zamożnych postrzegało SI jako szansę dla szkoły. Korzystanie z SI przebiega według tego samego gradientu: wśród młodych ludzi korzystających z narzędzi SI 70 procent uczniów liceów ogólnokształcących (Gymnasium) używa ich do nauki szkolnej lub odrabiania prac domowych, w porównaniu z 58 procent w innych szkołach średnich.

A co z rozwojem zawodowym nauczycieli? Ankieta wśród ponad dziesięciu tysięcy nauczycieli w Anglii wykazała, że 45 procent nauczycieli w szkołach prywatnych odbyło już formalne szkolenie dotyczące SI, w porównaniu z 21 procent w szkołach publicznych. W obrębie systemu szkół publicznych odsetek ten wahał się od 26 procent w szkołach z uczniami z najzamożniejszych środowisk do 18 procent w szkołach z uczniami z najmniej zamożnych środowisk.

Sięgnij głębiej. Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper 34851). Working paper, jeszcze niezrecenzowany. Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper 35347). Latham, K., & Montacute, R. (2025). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. Dostępne bezpłatnie na suttontrust.com. Vodafone Stiftung Deutschland (2024), Pioniere des Wandels; mpfs (2024), JIM-Studie 2024. Oba dostępne bezpłatnie, w języku niemieckim.

(5) To, co poprawia się w uczeniu się z SI, niekoniecznie jest tym, co widać

Wyobraź sobie. Wprowadzasz do swojego nauczania nowego chatbota, a uczniowie entuzjastycznie z niego korzystają.

Dlaczego to ważne. Obszerny przegląd 228 badań dotyczył czterech różnych obszarów, które SI mogłaby poprawić: wiedzy i rozumienia; stosowania posiadanej wiedzy; sfery afektywnej, takiej jak motywacja i zaangażowanie; oraz umiejętności planowania, monitorowania i korygowania własnego uczenia się. Trzy z czterech uległy poprawie. Ostatni – na ile pozwalały ocenić badania – nie.

Tylko nieliczne wyniki pochodziły z badań z randomizacją, a entuzjazm widoczny w pierwszych tygodniach to dokładnie to, co krótkie badania uchwytują najlepiej.

Krótka dygresja: w tym przeglądzie największe korzyści odnotowano w naukach humanistycznych i sztuce.

Sięgnij głębiej. Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), artykuł 110. DOI 10.1007/s10648-025-10085-5.

1. SI w Edukacji

1.2 Nauczanie o SI a nauczanie z SI

Najważniejsze przesłanie

Jeśli zapamiętasz z tej strony tylko jedno zdanie: SI to nawigacja satelitarna. Ratuje kierowcę, który ma już mapę w głowie, i po cichu powstrzymuje przed jej zbudowaniem tego, kto jej nie ma.

Problem nawigacji satelitarnej

Aby prowadzić londyńską taksówkę, trzeba najpierw zdać egzamin ze znajomości miasta: 320 wyznaczonych tras w obrębie 113 mil kwadratowych, w promieniu sześciu mil od Charing Cross, na przygotowanie do którego Transport for London daje nawet dwa lata, zanim w ogóle zaczną się egzaminy.

Egzaminowani kierowcy korzystają też z nawigacji satelitarnej i nikt nie myśli o nich gorzej z tego powodu. Egzamin ze znajomości miasta nie stał się bezwartościowy wraz z pojawieniem się urządzenia. Nawigacja stała się czymś, co czyni jazdę bezpieczną. Kierowczyni, która ma miasto w głowie, korzysta z nawigacji w sprawach, których nie może wiedzieć: wypadek na moście czy dzisiejszy korek. I zauważa, gdy nawigacja prowadzi ją ulicą rozkopaną od kwietnia.

Teraz posadź w tej samej taksówce, z tą samą nawigacją, nowicjuszkę. Dojeżdża do każdego adresu. Przez pewien czas nie da się jej odróżnić od doświadczonej kierowczyni. Ale podążając za instrukcjami nawigacji, nie buduje niczego. Po roku skręcania w lewo na polecenie wciąż nie potrafi przejechać przez miasto bez urządzenia i nie jest w stanie rozpoznać, kiedy nawigacja się myli.

C1_2_Fig_1.png

Rys. 1: „Wynik zależy od kierowcy” (obraz wygenerowany przez SI, Google Gemini)

Po lewej stronie jazda zaczyna się od mapy w głowie. Nawigacja dodaje to, czego kierowczyni nie może wiedzieć. Nazywa się to „korzystnym odciążeniem”. Po prawej stronie kierowczyni nie ma mapy w głowie. Urządzenie jest dla niej jedyną orientacją. Nazywa się to „szkodliwym odciążeniem”.

Ta sama nawigacja, dwie kierowczynie, przeciwne rezultaty. Różnica nigdy nie tkwiła w urządzeniu. Mówimy tu o czymś więcej niż o obrazie. Badania kierowców pokazują, że osoby mocno polegające na nawigacji tworzą uboższą mapę mentalną swojego otoczenia. Badanie prowadzone przez trzy lata wykazało, że intensywniejsze korzystanie wiązało się z wyraźniejszym spadkiem pamięci przestrzennej. Psychologowie od dwóch dekad wiedzą też, że to samo wsparcie, które pomaga początkującemu, może przeszkadzać komuś, kto już zna dany temat. To samo dzieje się również w drugą stronę. Efekt narzędzia SI zależy znacznie bardziej od tego, co użytkownik już wie, niż od samego narzędzia.

Badacze nazywają to schematem – uporządkowaną wiedzą wcześniejszą danej osoby. Tam, gdzie schemat już istnieje, oddanie pracy maszynie uwalnia zasoby. Badacze nazywają to korzystnym odciążeniem poznawczym. Jednak gdy wiedza dopiero ma się wykształcić, ten sam proces może uniemożliwić jej powstanie. Nazywa się to szkodliwym odciążeniem poznawczym.

Badanie z udziałem około tysiąca uczniów szkół średnich pokazuje, jak dzieje się to na lekcji matematyki. Jedna grupa ćwiczyła z nieograniczonym chatbotem, druga bez niego. W czasie, gdy z niego korzystali, grupa z chatbotem uzyskała o 48% lepsze wyniki w zadaniach ćwiczeniowych. Potem odbył się egzamin bez chatbota. I teraz ci sami uczniowie, którzy tak dobrze radzili sobie z zadaniami ćwiczeniowymi, uzyskali wynik o 17% gorszy niż grupa, która nigdy nie korzystała z chatbota SI. Trzecia grupa korzystała z wersji SI zaprojektowanej tak, by nie podawać odpowiedzi, lecz zadawać pytania. Ta grupa nie straciła nic.

Ta trzecia grupa to sedno całego pytania projektowego. Nawigacja, która podaje cel i pomaga znaleźć trasę, uczy Cię miasta. Nawigacja, która mówi „skręć w lewo za 200 metrów”, nie uczy – bez względu na to, jak dobre są jej dane. Badacze nazywają tę różnicę barierami ochronnymi (guardrails), i to właśnie projekt decyduje, czy pomagasz uczniom poznać mapę miasta, czy po prostu dotrzeć do celu.

Pamiętaj: Ty masz tę wiedzę. Twoi uczniowie, w przedmiocie, którego uczysz, jeszcze jej nie mają. Ta asymetria to sedno całego rozdziału.

Głosy z praktyki

„Obecnie narzędzia, po które sięgają uczniowie, są stworzone do rozwiązywania problemów, a nie do nauczania – i to jest obecnie główna trudność w mojej pracy.”

Dwa piętra, nie dwa tematy

W literaturze naukowej te dwa obszary są uznawane za odrębne dziedziny. Można je sobie wyobrazić jako dwa piętra budynku, na którego parterze znajduje się większość nauczycieli, bez klatki schodowej prowadzącej na pierwsze piętro.

W badaniu z udziałem 90 nauczycieli bawarskich szkół zawodowych, którzy zapisali się na szkolenie z SI, nauczyciele ocenili swoją wiedzę o SI średnio na 3,4 w skali do 5, ale swoją zdolność do wykorzystania jej w nauczaniu znacznie niżej – na 2,6. Wiedza i działanie się rozeszły. Badanie przeprowadzone w pięciu krajach europejskich sprawdziło następnie, czy szkolenie może zamknąć tę lukę. Wzięło w nim udział 736 nauczycieli z Francji, Irlandii, Włoch, Luksemburga i Słowenii. Nauczycieli podzielono na dwie grupy. Jedna grupa otrzymała kurs online i wsparcie w trakcie badania, druga – ten sam kurs online po zakończeniu badania. Wyniki pokazały, że wiedza oraz zdolność oceny, co dane narzędzie potrafi, wzrosły. Jednak w większości krajów regularne wykorzystanie SI na lekcjach się nie zmieniło: nauczyciele wypróbowywali narzędzia i wracali do tego, co robili wcześniej.

To jest luka między wiedzą a działaniem. Kursy dają wiedzę, ale zmiana praktyki wymaga towarzyszenia, prób i kolegów, z którymi można wspólnie myśleć. Transfer trzeba zaprojektować, a nie na niego liczyć.

Głosy z praktyki

„Jedyną wadą tego webinaru jest to, że nie możemy od razu tego wypróbować.”

Co nauczyciele naprawdę robią

Najbardziej solidny wniosek, powtarzający się we wszystkich krajach, jest po cichu zaskakujący: nauczyciele intensywnie korzystają z SI dla siebie i niemal wcale z uczniami. W Niemczech 52% nauczycieli korzysta z narzędzi SI kilka razy w miesiącu lub częściej. Jednak spośród tych, którzy korzystają z SI, tylko 29% pozwala uczniom pracować z nią na lekcji. Publiczna debata o „SI w klasie” dotyczy więc w dużej mierze czegoś, co jeszcze nie dzieje się na dużą skalę.

C1_2_Fig_21.jpg

Rys. 2: „Różnica między korzystaniem z SI do przygotowania a korzystaniem z niej w klasie” (obraz wygenerowany przez SI, Google Gemini)

To, co faktycznie się dzieje, to odciążenie z obowiązków – i tu wiadomości są dobre. W badaniu przeprowadzonym w Anglii 259 nauczycieli z 68 szkół otrzymało ChatGPT oraz przewodnik do planowania lekcji przyrody dla uczniów w wieku 11–13 lat. Poświęcali na planowanie około 56 minut tygodniowo, wobec 81 minut w grupie porównawczej. Niezależni oceniający, którzy nie wiedzieli, z której grupy pochodzi dana lekcja, nie znaleźli dowodów na różnicę w jakości. W dużym amerykańskim badaniu ankietowym nauczyciele korzystający z SI co najmniej raz w tygodniu szacowali, że oszczędzają prawie sześć godzin tygodniowo – według własnej oceny, a nie pomiaru.

Warto zatrzymać się przy jednej prawidłowości. W tym samym amerykańskim badaniu ankietowym w szkołach z polityką dotyczącą SI więcej nauczycieli korzystało z SI – siedmiu na dziesięciu wobec sześciu na dziesięciu – i dzięki temu łącznie oszczędzano o około jedną czwartą więcej czasu nauczycieli. Dla pojedynczego nauczyciela korzystającego z SI co tydzień różnica była niewielka. To relacja samych nauczycieli, a nie pomiar, a ankieta nie pokazuje, w którą stronę biegnie zależność: dobrze zorganizowane szkoły mogą po prostu dobrze radzić sobie z obydwoma sprawami naraz. Ale to odwrotność tego, czego spodziewałaby się większość ludzi – jasne zasady i intensywne korzystanie występują razem, a nie stoją w opozycji. 1.4 Zgodne wykorzystanie SI

Głosy z praktyki

„Ważne, żeby traktować to jako uzupełnienie, ale zdecydowanie nie pozwalać, by ChatGPT prowadził całą lekcję.”

Dlaczego narzędzie nie jest najważniejsze

Jeśli szukasz rankingu najlepszych narzędzi SI, badania Cię rozczarują, a potem, przy drugim czytaniu, uwolnią. Gdy badacze zbierają wiele odrębnych badań i pytają, co odróżnia klasy, w których SI bardzo pomogła, od tych, w których pomogła ledwie trochę, odpowiedzią nigdy nie jest marka oprogramowania. Liczy się to, co uczniowie mieli z nim robić. Poniższe punkty podsumowują ważne wyniki badań. Wszystkie te wyniki opierają się jednak tylko na niewielu badaniach.

Pedagogika jest ważniejsza niż zastosowana technologia. Tam, gdzie badacze porządkowali badania według tego, co uczniowie faktycznie robili, rodzaj aktywności miał większe znaczenie niż narzędzie. Co ciekawe, ten sam wzorzec stwierdzono w przypadku poprzedniej generacji narzędzi cyfrowych w szkołach średnich. Wyniki w dużej mierze zależą od tego, czy nauczyciele zostali przeszkoleni w ich wykorzystaniu.

Dobra informacja zwrotna to nie to samo, co informacja zwrotna, która działa. W jednym eksperymencie 70 studentów napisało esej argumentacyjny i poprawiło go tydzień później. Losowo przydzielono ich do trzech grup: jedna otrzymała informację zwrotną od doświadczonego nauczyciela, druga od chatbota otrzymującego proste polecenie, a trzecia od tego samego chatbota poproszonego o przemyślenie eseju krok po kroku. Oceniane według tej samej rubryki, informacje zwrotne chatbota rozumującego krok po kroku okazały się najlepsze z całej trójki. Były lepsze niż od zwykłego chatbota i lepsze niż od nauczyciela. Potem nastąpiły poprawki i wszystkie trzy grupy poprawiły swoje eseje mniej więcej o tyle samo. Najlepsza informacja zwrotna w badaniu nie przyniosła większej poprawy niż ta oceniona najniżej. Lepsze komentarze nie dały lepszego eseju.

Warto się nad tym zatrzymać, bo podważa to powszechne założenie, że lepsza informacja zwrotna prowadzi do lepszego uczenia się. Sama w sobie – nie prowadzi. Informacja zwrotna działa tylko wtedy, gdy zostanie wykorzystana: przeczytana, zrozumiana, zastosowana i zrozumiana na tyle dobrze, by uczeń następnym razem poradził sobie sam. To wykorzystanie jest wąskim gardłem, nie jakość.

Więcej nie zawsze znaczy lepiej. W drugim badaniu, z udziałem 60 uczniów drugiej klasy liceum i 240 tekstów, SI wygenerowała znacznie więcej komentarzy dotyczących treści niż nauczyciele. Uczniowie jednak częściej korzystali z komentarzy nauczycieli. Skonfrontowany z trzydziestoma precyzyjnymi poprawkami, uczeń może albo przestać diagnozować i zacząć segregować, albo po prostu się podporządkować. Jeśli uczeń stosuje się do zasad, w gruncie rzeczy mówi, że poprawka była niepotrzebna. To znowu ta sama nawigacja, tylko na innym poziomie. Daje naprawdę szczegółową informację zwrotną, w rodzaju „skręć w lewo za 200 metrów” – ale dotyczącą Twojego własnego tekstu.

Kto to mówi, ma znaczenie. Nie jesteśmy do końca pewni, dlaczego komentarze nauczycieli są częściej wykorzystywane. To kwestia interpretacji, a nie pomiaru, ale najbardziej prawdopodobnym wyjaśnieniem jest to, że informacja zwrotna jest postrzegana jako coś, co dzieje się między ludźmi. To, co ma do powiedzenia ktoś, kto wie, co robiłeś w zeszłym semestrze, i zobaczy, co zrobisz z tą informacją, różni się od tego samego zdania wygenerowanego na żądanie.

Co z tego wynika dla praktyki. Analiza zbiorcza badań nad automatyczną informacją zwrotną do tekstów pisanych, przeprowadzona jeszcze przed pojawieniem się dzisiejszych chatbotów, doprowadziła do podobnych wyników. Informacja zwrotna działała lepiej, gdy uczniowie musieli zastosować ją w nowym tekście, niż gdy jedynie poprawiali tekst, który mieli przed sobą, i lepiej, gdy korzystano z niej podczas kilku sesji, a nie jednorazowo. Uczciwie trzeba też dodać jeszcze jedno: w porównaniu z brakiem jakiejkolwiek informacji zwrotnej informacja zwrotna od SI pomaga. W badaniu niemieckiego zespołu z udziałem 459 uczniów starszych klas szkoły średniej informacja zwrotna wygenerowana przez SI umiarkowanie poprawiła jakość ich poprawek i ich motywację.

Ten sam podział widać też w dużej skali. Jeden zespół zebrał wyniki 228 badań: SI wyraźnie i konsekwentnie poprawiała to, co uczniowie potrafili wytworzyć, natomiast jakikolwiek zysk w ich zdolności do planowania, monitorowania i korygowania własnego uczenia się był na tyle mały, że mógł być dziełem przypadku. Najostrzej widać to w programowaniu. Uczniowie z asystentem SI byli mierzalnie szybsi, a na końcu wcale nie lepsi od tych, którzy z niego nie korzystali. Zrobienie czegoś szybciej i zrobienie tego lepiej to nie to samo, a SI wyraźnie te dwie rzeczy rozdziela.

Europa jak lustro

W całej Europie wyniki badań ankietowych dotyczących korzystania z SI przez nauczycieli wahają się od około dziewięciu na dziesięciu w czeskiej próbie do około jednego na siedmiu we Francji. Badania różnią się metodą i czasem przeprowadzenia: czeska liczba pochodzi z niewielkiego badania z 2025 roku obejmującego 317 nauczycieli i uwzględnia jakiekolwiek doświadczenie z SI, natomiast francuska pochodzi z międzynarodowego badania nauczycieli OECD TALIS 2024, w którym nieco mniej niż połowa czeskich nauczycieli zadeklarowała wykorzystywanie SI w nauczaniu.

Francja zbudowała jeden z największych na kontynencie państwowych programów SI: oprogramowanie do adaptacyjnych ćwiczeń z matematyki i francuskiego, bezpłatne dla każdego ucznia pierwszej klasy szkoły średniej II stopnia. Mimo to francuscy nauczyciele rzadko korzystają z SI, a tylko 9% francuskich nauczycieli odbyło jakiekolwiek szkolenie z SI, wobec średnio 38% w krajach OECD.

Norwegia zapisała problem nawigacji satelitarnej w swojej polityce (przynajmniej w formie rekomendacji) tak, jak zrobiłaby to szkoła jazdy dla taksówkarzy: najpierw nauka z mapą, a dopiero potem urządzenie. W czerwcu 2026 roku Norwegia zarekomendowała, by uczniowie klas 1–7 z zasady nie mieli dostępu do SI. W klasach 8–10 SI może być wprowadzana stopniowo i ostrożnie, gdy nauczyciele mają kompetencje, by tym procesem kierować. W szkole średniej II stopnia uczniowie powinni uczyć się celowego korzystania z SI.

Martwy punkt

Jedno z ryzyk związanych z SI rzadko się wymienia, choć obraz również je pokazuje: znajomość mapy Londynu nie jest trwała na zawsze. Kierowczyni, która przez pięć lat podąża za strzałkami, nie utrzymuje miasta w głowie. Wiedza blaknie, a ona przestaje zauważać rozkopaną ulicę. Twoją ekspertyzę podtrzymuje robienie właśnie tych rzeczy, które SI najlepiej potrafi przejąć: pisanie zadania, przewidywanie błędnego rozumowania i szkicowanie wyjaśnienia. Tam, gdzie SI przejmuje pracę, dzięki której kształtuje się umiejętność oceny, ulga zamienia się w utratę kompetencji. W niemieckim panelu ekspertów e-learningu 65 na 100 spodziewało się, że generatywna SI pozbawi ludzi ważnych umiejętności, wobec 44 rok wcześniej. W medycynie ten efekt został już zmierzony: po tym, jak wsparcie SI stało się rutyną w kolonoskopii, lekarze pracujący bez niego wykrywali mniej zmian przednowotworowych niż wcześniej.

Korzystaj z nawigacji. Tylko pamiętaj o mapie.

1. SI w Edukacji

1.3 Odpowiedzialne wykorzystanie SI

Najważniejsze przesłanie

Jeśli zapamiętasz z tej strony tylko jedno zdanie: Tamy pękają. Naucz pływania.

Dziennik lektur, drugie spojrzenie

Wróćmy do naszego ucznia z dziewiątej klasy i jego podejrzanie dopracowanego dziennika lektur. Ten odruch jest niemal powszechny i jest to odruch dobrego nauczyciela: sprawdzić, czy użył SI. Zbudować lepszą tamę.

Ten rozdział opowiada o tym, dlaczego ten odruch, sam w sobie, donikąd nie prowadzi. Dojdziemy do tego, co działa zamiast tego.

Zacznijmy od niewygodnej części. Nauczyciele nie potrafią wiarygodnie odróżnić tekstu SI od tekstu ucznia. W dwóch badaniach niemieckiego zespołu 89 nauczycieli w trakcie przygotowania do zawodu i 200 doświadczonych nauczycieli otrzymało mieszankę wypracowań uczniów i wypracowań napisanych przez chatbota i poproszono ich o ich posortowanie. Żadna z grup nie potrafiła zrobić tego wiarygodnie, ale obie grupy były pewne, że potrafią. Doświadczenie pomagało tylko w niewielkim stopniu: doświadczeni nauczyciele wciąż przeoczyli większość tekstów SI. Na jednym brytyjskim uniwersytecie badacze przesłali odpowiedzi wygenerowane przez chatbota do prawdziwych, nienadzorowanych egzaminów online zwykłymi kanałami, bez informowania osób sprawdzających.

Głosy z praktyki

„Możesz z tego korzystać, ale musisz umieć wyjaśnić wynik własnymi słowami.”

Detektor, który zawodzi wobec niewłaściwych uczniów

Badacze przetestowali siedem najczęściej używanych detektorów SI na esejach TOEFL napisanych przez osoby uczące się angielskiego jako języka obcego, zebranych z chińskiego forum internetowego. Obok nich umieścili eseje amerykańskich ósmoklasistów mówiących po angielsku jako języku ojczystym. Prace rodzimych użytkowników języka były klasyfikowane poprawnie niemal za każdym razem. Spośród esejów obcojęzycznych ponad sześć na dziesięć zostało błędnie oznaczonych jako napisane przez maszynę.

Mechanizm nie jest tajemnicą. Wiele z tych narzędzi nie wykrywa pracy dużych modeli językowych. Narzędzia te mierzą przewidywalność. Tekst używający powszechnych słów w oczekiwanym porządku jest oceniany jako sztuczny. Osoby piszące w drugim języku, dysponujące mniejszym słownictwem i bardziej sztywnymi konstrukcjami zdań, mogą wytwarzać dokładnie taki sygnał. Tymczasem detektory wytrenowane pod kątem jednego konkretnego testu, a także badania w innych językach, wykazują mniejsze różnice. Jak dotąd na rynku nie ma detektorów na tyle wiarygodnych, by na ich podstawie oskarżać kogokolwiek o celowe oszustwo.

Błędy narzędzia systematycznie spadają na uczniów, którzy i tak dźwigają już najwięcej. Instytucje policzyły to dokładnie. Uniwersytet Vanderbilt zwrócił uwagę, że nawet gdyby takie narzędzie myliło się tylko w 1% przypadków, oznaczałoby to wciąż około 750 prac rocznie błędnie oznaczonych spośród 75 000 przesłanych prac. W związku z tym je wyłączono. Przewodnik opracowany przez badaczy dla niemieckiego federalnego ministerstwa edukacji jest jednoznaczny: technologia jest „niewystarczająco wiarygodna, by dostarczyć prawnie pewny dowód”. Niezależny europejski test czternastu detektorów doprowadził do tego samego werdyktu: „ani dokładne, ani wiarygodne”.

Znaczna część Europy przestała już o tym dyskutować. Francuskie ministerstwo edukacji i francuski organ ochrony danych odradzają szkołom stosowanie detektorów, a holenderska agencja ds. technologii w edukacji Kennisnet uznaje je za wysoce zawodne. W szkolnictwie wyższym niektóre uczelnie, takie jak ZHAW w Zurychu, zakazują wykorzystywania ich do oceniania. W Anglii komisje egzaminacyjne dopuszczają oprogramowanie do wykrywania jedynie jako jeden z elementów osądu, który należy do nauczyciela, ponieważ to on „najlepiej zna swoich uczniów”. Warto też zapamiętać kwestię ochrony danych: wklejenie pracy ucznia do narzędzia online oznacza przetwarzanie jego danych osobowych. Wymaga to podstawy prawnej i umowy z dostawcą. → 1.4 Zgodne wykorzystanie SI

Wygląda na to, że panika związana ze ściąganiem jest cieńsza niż szum wokół niej. Badacze przepytali uczniów trzech amerykańskich szkół średnich przed powstaniem ChatGPT i ponownie po nim. Ściąganie pozostało w dużej mierze na tym samym poziomie. Kolejne badanie ankietowe, przeprowadzone rok później wśród ponad 4000 uczniów sześciu innych amerykańskich szkół średnich, wykazało to samo.

Prawdziwe pytanie nigdy nie brzmiało: „Jak go złapać?”. Brzmi ono: co właściwie mierzy zadanie domowe, skoro jego produkt można wygenerować na żądanie?

Głosy z praktyki

„Na początku uważałem to za ściąganie. Teraz widzę w tym sygnał, że trzeba zmienić samo zadanie.”

Dwie rzeczy, których nie da się po prostu naprawić, więc trzeba ich nauczać

Pewne siebie zmyślanie jest wbudowane w system. Te systemy generują prawdopodobne kontynuacje tekstu, a prawdopodobne nie znaczy prawdziwe. Przeglądy badań są zgodne, że żadna technika nie wyeliminowała dotąd tego problemu, choć można go ograniczyć i częściowo wykrywać. Powodem jest to, że standardowe testy służące do oceny dużych modeli językowych nagradzają pewne siebie zgadywanie bardziej niż przyznanie się do niepewności, więc dopóki modele są oceniane w ten sposób, utrzyma się pewien odsetek płynnych, dobrze sformułowanych nieprawd.

Skrzywienia w materiale treningowym również są wbudowane. Co więcej, nie maleją wraz z doskonaleniem modeli. Europejskie badanie stereotypów płciowych w różnych językach wykazało, że większe modele, nawet po dodatkowym treningu mającym uczynić je bezpieczniejszymi i sprawiedliwszymi, czasem stereotypizują bardziej, a nie mniej. Jeśli jakiejś cechy nie da się zaprojektować na nowo, staje się ona materiałem programowym. I można jej nauczać: w jednym fińskim programie odsetek uczniów potrafiących wyjaśnić, skąd wzięło się uprzedzenie generatora obrazów, wzrósł z 7% do 44%. Konsekwencją dla nauczania musi być trenowanie analizy błędów zamiast ich unikania. Innymi słowy: błędy maszyny stają się lekcją.

Głosy z praktyki

„Niech uczący się sprawdzi rozwiązanie chatbota tak, jakby był nauczycielem. Szukając błędów, w końcu uczy się metody.”

Co działa: projektowanie, nie kontrola

Dowody wskazują na jedną prostą zasadę, łatwą do zapamiętania: najpierw myśl, potem SI.

Warto znać dwa ograniczenia, zanim się na tym oprzesz.

Pierwsze: popularna rada, by nauczyciele po prostu polecili chatbotowi pełnić rolę tutora sokratejskiego, może nie wytrzymać próby dłuższej rozmowy. Wstępne dowody z niezrecenzowanego jeszcze badania z symulowanymi uczniami (październik 2026) wskazują, że pod uporczywą presją tacy tutorzy wracają do podawania gotowych odpowiedzi. Niezawodne ograniczenia trzeba wbudować w system, co czyni z nich decyzję zakupową, a nie umiejętność formułowania poleceń.

Drugie: sprawienie, by SI wyjaśniała swój tok rozumowania, brzmi jak oczywiste zabezpieczenie, ale wyjaśnienia niezawodnie nie zapobiegają nadmiernemu zaufaniu. W jednym badaniu nie zmieniły one wcale skłonności ludzi do akceptowania błędnych porad, a wyjaśnienia zbyt techniczne albo zbyt uproszczone mogą wręcz zwiększać nieuzasadnioną pewność. Wyjaśnienie jest jedynie warunkiem uczenia się.

Postawa: dwa tryby zawodności, nie jeden

Obawiamy się, że nauczyciele pokładają w SI zbyt duże zaufanie. Powinniśmy jednak równie mocno martwić się sytuacją odwrotną. Nawet doświadczone osoby mogą dać się złapać na nadmierne zaufanie. W niewielkim pilotażu w amerykańskich szkołach czterech na dziesięciu ankietowanych nauczycieli uznało informację zwrotną narzędzia SI do oceniania za nieprzydatną, przeważnie niejasną, a nawet błędną. Badania nad błędem automatyzacji (automation bias) pokazują, że ludzie mają tendencję do przyjmowania sugestii maszyny nawet wtedy, gdy mają powody, by w nią wątpić. Dostrzeżenie błędu i jego poprawienie to dwa różne kroki.

Przeciwnym biegunem jest ukrywanie. Nauczyciele ukrywają własne korzystanie z SI przed kolegami i uczniami, zabraniając im robić to, co sami robią: 77% korzysta z SI prywatnie, podczas gdy 57% twierdzi, że uczniowie nigdy nie powinni jej używać do generowania pomysłów. Tymczasem badanie zdolnych uczniów klas 6–8 wykazało, że od jednej trzeciej do dwóch piątych z nich już teraz twierdzi, że SI wie więcej niż ich nauczyciele. Zawód, który ukrywa swoje praktyki, nie może dawać przykładu odpowiedzialnego postępowania, a przejrzystość to nie tylko kurtuazja. To mechanizm, dzięki któremu działa nauczanie przez przykład.

Czy SI wyrównuje szanse, czy je pogłębia?

W zadaniach zawodowych SI wyrównuje różnice. W jednym eksperymencie osoby z wyższym wykształceniem radziły sobie znacząco lepiej niż osoby z niższym wykształceniem. Z asystentem SI zniknęły około trzech czwartych tej różnicy. Gdy asystenta ponownie odebrano, znaczna część różnicy powróciła. To, co SI zamknęła, to luka w wynikach, a nie luka w umiejętnościach.

W zadaniach związanych z uczeniem się dzieje się odwrotnie. Jedno badanie nie wykazało żadnej przeciętnej korzyści, za to ujawniło rosnący dystans między uczniami, którzy już dużo wiedzieli, a tymi, którzy wiedzieli mało. Inne badanie przyjrzało się uczniom piszącym w języku obcym: słabsi autorzy otrzymywali od SI więcej poprawek i skutecznie wykorzystywali mniejszą ich część, a wielu uznało zalew informacji zwrotnej za zniechęcający. Informacja zwrotna bez umiejętności jej posortowania nie pomaga – ona przytłacza.

Ta różnica istnieje jeszcze zanim ktokolwiek dotknie narzędzia. W Niemczech 80% uczniów z najbardziej uprzywilejowanych domów postrzega SI jako szansę, wobec 55% z domów najmniej uprzywilejowanych. W Wielkiej Brytanii podział przebiega raczej przez pokój nauczycielski niż przez szafkę z urządzeniami: 45% nauczycieli w szkołach prywatnych przeszło formalne szkolenie z korzystania z SI, wobec 21% w szkołach publicznych. W obrębie sektora publicznego zamożniejsze szkoły ponownie wyprzedzają biedniejsze. Badanie z 2026 roku obejmujące ponad 25 000 dzieci z 17 krajów europejskich pokazuje ten sam społeczny podział w tym, jak często i jak różnorodnie korzystają z SI. Zdanie jednego z komentatorów ujmuje cały problem lepiej niż jakakolwiek liczba: „bogaci mają dostęp zarówno do technologii, jak i do ludzi, którzy pomagają im z niej korzystać, podczas gdy biedni mają dostęp jedynie do technologii”.

Wąskim gardłem jest więc to, czy dany uczeń ma nauczyciela, który przeszedł szkolenie. SI kompensuje różnice, gdy spełnione są jednocześnie trzy warunki: pewny dostęp, narzędzie zaprojektowane do uczenia się, a nie do udzielania odpowiedzi, oraz nauczyciel wspierający jego wykorzystanie. Usuń choć jeden z tych elementów, a SI zacznie wzmacniać różnice zamiast je wyrównywać. Ponieważ wszystkie trzy elementy zwykle występują razem w tych samych szkołach i razem są nieobecne w tych samych szkołach, wzmacnianie różnic jest wariantem domyślnym, a wyrównywanie trzeba samodzielnie zbudować.

1. SI w Edukacji

1.4 Zgodne wykorzystanie SI

Zastrzeżenie: Ten rozdział został starannie opracowany, ale prawo dotyczące SI to szybko zmieniająca się dziedzina. Przepisy mogły zmienić się od czasu publikacji, dlatego zawsze sprawdzaj aktualną sytuację prawną i w razie potrzeby uwzględniaj przepisy krajowe. Ten rozdział nie stanowi porady prawnej.

Najważniejsze przesłanie

Jeśli zapamiętasz z tej strony tylko jedno zdanie: Zgodność z przepisami to dom, nie mur.

Co wolno mi robić?

Zanim cokolwiek wpiszesz, wkleisz lub prześlesz, pamiętaj o tych czterech krokach. Poniższy przegląd traktuj jako ogólną wskazówkę. Wymagania w Twoim kraju mogą różnić się od przedstawionych tutaj. Dlatego zawsze sprawdzaj przepisy obowiązujące w Twoim kraju i w Twojej szkole.

Fig 1_4_1.jpg

Rys. 1: „...” (obraz wygenerowany przez SI, ...)

Głosy z praktyki

„Nie jesteśmy nawet pewni, co nam wolno, a już najmniej, jeśli chodzi o ochronę danych.”

Dziennik lektur, trzecie spojrzenie

Nasz uczeń z dziewiątej klasy, jego dziennik lektur, podejrzenia jego nauczyciela. W rozdziale 1.2 było to pytanie o uczenie się; w rozdziale 1.3 – o osąd zawodowy. Tutaj jest to akta sądowe.

W grudniu 2025 r. Sąd Administracyjny w Hamburgu, w Niemczech, orzekł w tej sprawie w trybie pilnym. Nauczyciel angielskiego zauważył, że dziennik lektur był napisany na znacznie wyższym poziomie pod względem ortografii, gramatyki i słownictwa niż praca klasowa chłopca dotycząca tej samej książki. Chłopiec przyznał później, że korzystał z ChatGPT, a szkoła oceniła dziennik jako próbę oszustwa. Jego ojciec złożył do sądu wniosek o udzielenie ochrony w trybie pilnym; sąd go odrzucił. Uzasadnienie sądu wykracza poza tę sprawę: uczniowie muszą zakładać, że mają wykonywać swoją pracę całkowicie samodzielnie, chyba że jakaś pomoc została wyraźnie dopuszczona – dlatego nieujawnione korzystanie z SI liczy się jako oszustwo nawet bez pisemnej reguły zakazującej SI. (W tej sprawie nauczyciel faktycznie poinformował klasę, że korzystanie z ChatGPT jest niedozwolone.) Jedno zastrzeżenie warto mieć z tyłu głowy od razu: to orzeczenie jednego sądu, wydane w postępowaniu w trybie pilnym, i nie jest jeszcze prawomocne.

To dobry moment, by odnieść się do najczęstszego błędnego przekonania w tej dziedzinie. Nie ma próżni prawnej. Nigdy jej nie było.

Dom ma trzy piętra

Większość nauczycieli wyobraża sobie prawo dotyczące SI jako pojedynczy mur budowany gdzieś w Brukseli. Bardziej przydatne jest jednak wyobrazić sobie dom, w którym już mieszkasz. Fundamentem jest ochrona danych. Jest nośna konstrukcyjnie. Została położona lata temu. Rządzi Twoim wtorkowym porankiem. Górne piętro to unijny AI Act, europejskie prawo o SI, które klasyfikuje systemy według ich potencjału do wyrządzania szkody i nakłada tym surowsze obowiązki, im wyższe ryzyko. Jest częściowo zasiedlone i wciąż w budowie, a termin ukończenia właśnie przesunięto. Drzwi i okna to prawo autorskie oraz prawo egzaminacyjne – małe i konkretne, dotykane codziennie bez większej refleksji.

Fig 1_4_2.jpg

Rys. 2: „Zgodność z przepisami to dom” (obraz wygenerowany przez SI, ...)

Parter: ochrona danych, jaśniejsza, niż wielu sądzi

Przetwarzanie czyichś danych osobowych zawsze wymaga podstawy prawnej. Jako podmiot publiczny szkoła czerpie swoją podstawę zasadniczo z ustawowych obowiązków wynikających z prawa oświatowego. Nie istnieje żadna ogólna licencja, która przysługuje po prostu z racji bycia nauczycielem.

Wynikają z tego trzy konsekwencje, które stanowią praktyczny rdzeń tego rozdziału.

Zgoda nie jest rozwiązaniem. Oczywistym rozwiązaniem wydawałoby się po prostu zapytać rodziców. Podejście to ma jednak dwie wady. Po pierwsze, zgoda musi być udzielona dobrowolnie. W kontekście szkolnym, gdzie w grę wchodzą oceny, prośba nauczyciela nie stanowi wolnego wyboru. Po drugie, zgoda musi być świadoma, co trudno osiągnąć, gdy nikt nie wie, gdzie dane ostatecznie trafią. Podstawa musi wynikać z prawa oświatowego, a nie z podpisu, ponieważ to przenosi odpowiedzialność wyżej, z dala od Ciebie.

Usunięcie nazwisk nie anonimizuje danych. W 2024 r. niemieckie organy ochrony danych wspólnie oświadczyły, że jeśli daną osobę wciąż można zidentyfikować na podstawie kontekstu, dane nadal są danymi osobowymi. Jest to szczególnie problematyczne w szkołach, ponieważ rodzaje tekstów, przy których nauczyciele najczęściej chcą pomocy – eseje, twórcze pisanie, dzienniki lektur – identyfikują autora poprzez styl.

Linią podziału jest umowa: dostawca może przetwarzać Twoje dane, jeśli robi to wyłącznie na Twoje polecenie i istnieje w tej sprawie pisemna umowa. Jednak z chwilą, gdy zaczyna wykorzystywać to, co wpisujesz, do własnych celów, cała konstrukcja się załamuje, ponieważ przestaje działać w Twoim imieniu. Praktyczny test brzmi więc: czy taka umowa istnieje i czy wyklucza trenowanie modelu na Twoich danych wejściowych? Jeśli nie – żadne dane osobowe nie powinny być tam wprowadzane.

Dwa dodatkowe zastrzeżenia warte odnotowania: dane dotyczące zdrowia i niepełnosprawności podlegają na mocy prawa UE jeszcze surowszej ochronie. Nie należy ich wprowadzać do narzędzi SI. Tam zaś, gdzie nauczyciele korzystają z prywatnych urządzeń, co najmniej dwa niemieckie kraje związkowe (Nadrenia Północna-Westfalia i Bawaria) jasno wskazują, że odpowiedzialność za ochronę danych spoczywa na szkole i jej dyrektorze, który musi wyrazić zgodę na takie korzystanie.

Górne piętro: co AI Act już wymaga, a czego jeszcze nie

Oto poprawka, która sprawia, że większość dotychczasowych wytycznych jest nieaktualna. W lipcu 2026 r., rozporządzeniem zmieniającym znanym jako Digital Omnibus, UE przesunęła najcięższy zestaw obowiązków wynikających z AI Act dla edukacji – tych dotyczących systemów sklasyfikowanych jako wysokiego ryzyka, czyli systemów służących do decydowania o przyjęciach, oceniania tego, czego nauczyli się uczniowie, lub monitorowania ich podczas egzaminów – z sierpnia 2026 r. na 2 grudnia 2027 r. Bardzo wiele materiałów informacyjnych napisanych w 2025 r. i na początku 2026 r. wciąż podaje starą datę. Jeśli taki dokument krąży w Twojej szkole, potrzebuje przypisu.

Bardziej przydatna poprawka idzie w drugą stronę: to, co już obowiązuje, jest niedoceniane, a to, o czym dyskutuje się bez końca, jeszcze nie obowiązuje.

Dwie rzeczy obowiązują już od 2 lutego 2025 r.

Od 2 grudnia 2026 r. zakazane są systemy SI tworzące deepfake’i o charakterze seksualnym przedstawiające możliwe do zidentyfikowania osoby.

Przeczytaj ten drugi obowiązek razem z rozdziałem 1.3, a coś zaczyna się układać. Luka między wiedzą o SI a umiejętnością nauczania z jej użyciem to już nie tylko problem zawodowy. Od lutego 2025 r. szkoły są prawnie zobowiązane, by się nią zajmować.

Od 2 sierpnia 2026 r. chatboty muszą informować użytkowników, że są SI, a dostawcy muszą oznaczać treści wygenerowane przez SI w sposób czytelny maszynowo; same szkoły muszą oznaczać deepfake’i oraz publikowane przez siebie teksty napisane przez SI, które mają informować opinię publiczną. Karta pracy sprawdzona przez nauczyciela nie wymaga oznaczenia. Od 2 grudnia 2027 r. obowiązują wymogi dotyczące systemów wysokiego ryzyka – systemów służących do decydowania, kto zostanie przyjęty, do oceniania tego, czego nauczyli się uczniowie, lub do monitorowania ich podczas egzaminów. Kto korzysta z takiego systemu, przejmuje wówczas własne obowiązki, w tym powierzenie nadzoru osobom, które – jak ujmuje to AI Act – mają „niezbędne kompetencje, przeszkolenie i uprawnienia”.

Drzwi i okna: prawo autorskie i egzaminy

Wbrew intuicji to, co wychodzi z systemu, jest łatwiejszą częścią zagadnienia. Tekst lub obraz, który SI wygeneruje samodzielnie, nie ma ludzkiego autora w rozumieniu wymaganym przez prawo autorskie, więc zwykle sam nie jest chroniony prawem autorskim; tam, gdzie człowiek nadaje mu kształt poprzez własne twórcze wybory, wynik może podlegać ochronie. Nie oznacza to jednak gwarancji „czystości”: w szeroko komentowanym orzeczeniu sąd w Monachium stwierdził, że chatbot zapamiętał teksty piosenek i odtworzył je niemal słowo w słowo. Sąd nałożył odpowiedzialność na dostawcę, a nie na osobę, która wpisała polecenie. Wyrok nie jest prawomocny.

Wyjątek pozwalający nauczycielom kopiować materiały na potrzeby zajęć obejmuje dokładnie to: skopiowanie ograniczonej części utworu na potrzeby danej klasy. Przesłanie chronionego utworu do komercyjnego systemu SI to inna czynność, do której ten wyjątek się nie odnosi. Materiały wytworzone specjalnie do nauczania szkolnego, takie jak podręczniki i zeszyty ćwiczeń, są co do zasady wyłączone z tego wyjątku, o ile licencje na nie są łatwo dostępne.

Jak bardzo powinno Cię to martwić? Mniej, niż sugeruje ta luka, ale więcej niż wcale. Kwestia jest naprawdę nierozstrzygnięta: żaden sąd wyższej instancji się w tej sprawie nie wypowiedział, a literatura specjalistyczna uznaje istniejące wyjątki za słabo dopasowane do tej sytuacji. Tam, gdzie posiadacz praw wnosi sprzeciw, roszczenie miałoby charakter cywilny, a w praktyce jest to kwestia polityki szkolnej i zamówień publicznych, a nie coś, co może rozstrzygnąć pojedynczy nauczyciel. W praktyce jasny jest wąski przypadek. To granica, którą wyznaczają wydawcy edukacyjni, i to ją warto zapamiętać: materiały z podręczników szkolnych i wydawnictw w ogóle nie powinny trafiać do narzędzi SI – ani zeskanowane, ani przepisane, nawet po to, by wygenerować kartę pracy.

Orzecznictwo w tej dziedzinie jest obecnie niespójne w całej Europie. W lutym 2026 r. Sąd Administracyjny w Kassel, w Niemczech, rozstrzygnął dwie sprawy uniwersyteckie tak samo i bardzo ostro: choć uczelnia nie miała wyraźnego zakazu korzystania z SI, granica została przekroczona „już przy jednorazowym nieujawnionym użyciu generatywnej SI”. Wyroki nie są prawomocne. W tym samym miesiącu paryski sąd administracyjny w postępowaniu w trybie pilnym powstrzymał uniwersytet przed ukaraniem studenta, ponieważ uczelnia nie ustanowiła wcześniej żadnej reguły dotyczącej korzystania z SI. Szwedzki sąd apelacyjny doszedł wcześniej do podobnego wyniku: student oddał trzy zmyślone cytaty, ale zasady kursu dopuszczały „wszelkie pomoce” w pracach domowych, więc nie było reguły, którą można by naruszyć. Natomiast w Holandii najwyższy sąd administracyjny tego kraju w lipcu 2025 r. utrzymał w mocy sankcję wobec studenta prawa, który przedstawił cztery nieistniejące źródła: oszustwo zostało udowodnione ponad wszelką rozsądną wątpliwość, a to, czy student zamierzał wprowadzić w błąd, nie miało znaczenia.

Wzorzec widoczny w różnych jurysdykcjach nie dotyczy więc krajów. Dotyczy tego, czy reguła istniała wcześniej i czy oszustwo rzeczywiście zostało wykazane.

Z tego wynikają trzy zasady dla praktyki.

Detektory nie dźwigają ciężaru dowodu. To szkoła musi wykazać oszustwo. Sądy akceptowały wnioski wyciągnięte z konkretnych faktów: źródła, które okazują się nie istnieć, wyraźna rozbieżność między tym, co uczeń pisze, a tym, co potrafi wyjaśnić ustnie, nagłe skoki poziomu w obrębie tego samego tekstu, przyznanie się. Uczeń może wtedy przedstawić wyjaśnienia. Sam styl pisania to słaba podstawa – czołowi niemieccy komentatorzy prawa wątpią, czy w ogóle może on uzasadniać takie ustalenie. Wynik detektora jest w najlepszym razie powodem, by przyjrzeć się sprawie dokładniej. Wskaźnik błędów opisany w rozdziale 1.3 czyni to narzędzie bezużytecznym jako dowód.

Zasady muszą być jasne przed oceną, nie po niej. Ani całkowity zakaz, ani całkowite przyzwolenie się nie sprawdzają. Działa oświadczenie o samodzielności pracy z klauzulą dotyczącą SI, wraz z obowiązkiem podania, co zostało wykorzystane. Ujawnianie zamiast zakazywania.

Oceny pozostają ludzkie. Ludzie mają prawo nie podlegać decyzjom wywołującym skutki prawne, które podejmuje wyłącznie maszyna, a szkoły nie mają podstawy prawnej do podejmowania takich decyzji za pomocą oprogramowania; ocena szkolna jest właśnie taką decyzją. Niemiecka Stała Konferencja Ministrów Edukacji i Kultury ujmuje to jeszcze mocniej: ocenianie to zadanie, które mogą wykonywać wyłącznie nauczyciele. Co istotne, formalne przyklepanie sugestii SI nie liczy się jako decyzja człowieka. Dlatego to, że ludzie często przyjmują wadliwą informację zwrotną od SI, jest problemem nie tylko pedagogicznym, ale i prawnym.

Głosy z praktyki

„Każdy eksperymentuje na własną rękę, więc zasady zmieniają się z lekcji na lekcję.”

Prawo, etyka i dydaktyka zbiegają się więc w tej samej odpowiedzi: oceniaj proces, nie tylko produkt.

Prawdziwy adres odpowiedzialności

W odpowiedzi Niemcy wprowadziły państwowe środowiska SI dla szkół. Są to zweryfikowane platformy z wynegocjowanymi umowami, zamiast pozostawiania nauczycielom decyzji o zarejestrowaniu się w dowolnym darmowym narzędziu. O ile rozwiązuje to problemy, których pojedynczy nauczyciele nie mogą rozwiązać samodzielnie, platformy te wciąż są krytykowane za sposób zarządzania nimi, za to, czy nauczyciele faktycznie je akceptują, oraz za to, czy oceny, które wspierają, są rzetelne. Ponieważ wdrożenie różni się w poszczególnych krajach związkowych, potrzeba czasu, by zobaczyć, jak nauczyciele radzą sobie z tymi platformami.

To, co wyróżnia to rozwiązanie, jest węższe, niż mogłoby się na pierwszy rzut oka wydawać, i warto to precyzyjnie nazwać. Niemcy są jedynym znalezionym przez nas systemem, w którym organ publiczny – FWU, należący do krajów związkowych – sam rozwija i prowadzi platformę, przy udziale wykonawców technicznych. Francja udostępnia oprogramowanie do adaptacyjnych ćwiczeń całemu rocznikowi, ale zleciła jego wykonanie: jedna prywatna firma napisała oprogramowanie, druga hostuje dane. Kilka innych krajów kupiło dostęp do komercyjnych chatbotów; większość pozostałych oferuje jedynie wytyczne.

Zbudowanie własnego rozwiązania nie daje automatycznie większej kontroli. Niemiecka platforma działa na tych samych komercyjnych modelach językowych, co wszystkie inne, na europejskich serwerach, jak zwróciło uwagę jedno ze stowarzyszeń branżowych. Dla porównania, francuski system jest hostowany we Francji, w ramach najwyższego certyfikatu bezpieczeństwa wydawanego przez francuskie państwo. Jeden kraj zbudował fasadę i wynajmuje silnik, drugi kupił oprogramowanie i zatrzymał klucze do budynku. Żadna z tych opcji nie jest jednoznacznie „bardziej suwerenna” – warto o tym pamiętać, zanim użyje się tego słowa.

Holandia obrała inne podejście i warto je znać, ponieważ daje bardziej szczerą odpowiedź na to samo pytanie. Zamiast budować lub kupować, holenderskie szkoły i uczelnie połączyły siły i zleciły formalną ocenę głównym dostawcom. Gdy przyjrzały się asystentowi SI Microsoftu, znalazły dwa problemy, których nie udało się rozwiązać: kryteria automatycznego filtra treści, których dostawca nie chciał ujawnić, oraz przechowywanie osiemnastu miesięcy danych diagnostycznych, którego nie dało się uzasadnić. Negocjowano. W marcu 2026 r. dostawca odmówił jednak wprowadzenia zmian. Ocena pozostaje więc na poziomie „żółtym”, a holenderskim szkołom zaleca się ostrożność i podejmowanie własnej oceny w każdym indywidualnym przypadku, zamiast udzielania ogólnej zgody. Jeden kraj usunął ryzyko, budując rozwiązanie wokół niego, drugi przyjrzał się bliżej i uznał, że jeszcze nie jest gotowy. Oba podejścia oferują rozwiązania problemu przedstawionego na początku tego rozdziału.

To porównanie rozstrzyga jeszcze jedną kwestię. Skarga, że nauczyciele wolą darmowego chatbota od oficjalnego, nie wynika z porażki wdrożenia w Niemczech. W Estonii, gdzie państwo wynegocjowało dostęp dla uczniów szkół ponadpodstawowych, siedem miesięcy po rozpoczęciu programu zaledwie nieco ponad jedna trzecia korzystała z oficjalnego chatbota co tydzień. Okazało się, że większość z nich korzystała z darmowych narzędzi jeszcze przed rozpoczęciem programu. Wszędzie zweryfikowane środowisko konkuruje z tym wygodniejszym. Udostępnienie oficjalnego narzędzia jest konieczne. Ale to nie wystarcza.

Strukturalny wniosek pozostaje jednak w mocy: zgodność z przepisami to warunek umożliwiający działanie, nie przeszkoda. Pamiętasz, co powiedziano w rozdziale 1.2? W szkołach z jasnymi zasadami więcej nauczycieli korzystało z SI – i łącznie oszczędzano więcej czasu. Zasady nie spowolniły korzystania z SI.

1. SI w Edukacji

1.5 Obecny stan SI w edukacji

Najważniejsze przesłanie

Jeśli zapamiętasz z tej strony tylko jedno zdanie: SI jest już obecna w kontekstach edukacyjnych, ale nie jest uregulowana. Potrzebne są ustrukturyzowane ramy wspierające rozwój zawodowy nauczycieli, pogłębiające ich wiedzę i umożliwiające im nauczanie z użyciem SI oraz nauczanie o SI.

Obecne zastosowania SI w kontekstach edukacyjnych

Obecnie sztuczna inteligencja (SI) jest wpisana w codzienną praktykę edukacyjną, znacznie wykraczając poza projekty pilotażowe. Do typowych zastosowań należą platformy adaptacyjnego uczenia się, inteligentne systemy tutorskie, automatyczne ocenianie oraz wspomagane przez SI planowanie lekcji dla nauczycieli (OECD, 2026). Najbardziej widoczną zmianą jest jednak bezpośrednie korzystanie z narzędzi ogólnego przeznaczenia zarówno przez uczniów, jak i nauczycieli.

Nauczanie z użyciem SI

Nauczyciele coraz częściej korzystają z SI jako narzędzia wspierającego na wielu etapach swojej pracy, od planowania lekcji po ocenianie. Według badania TALIS przeprowadzonego przez OECD, 37% nauczycieli niższych klas szkoły średniej zadeklarowało korzystanie z SI w 2024 r., a 57% stwierdziło, że pomaga im ona pisać lub udoskonalać konspekty lekcji (OECD, 2026). Poza projektowaniem lekcji, nauczyciele wykorzystują SI do różnicowania treści dla różnych poziomów umiejętności, generowania materiałów ćwiczeniowych i wspierania procesu oceniania. Jednocześnie wdrażanie nie przebiega bez tarć: 72% nauczycieli wyraziło obawę, że SI może umożliwić uczniom przedstawianie treści wygenerowanych przez SI jako własnych, co odzwierciedla szersze napięcie między praktycznymi korzyściami SI dla nauczania a jej konsekwencjami dla rzetelności akademickiej (OECD, 2026).

Nauczanie o SI

Obok wykorzystywania SI jako pomocy dydaktycznej, rośnie potrzeba nauczania uczniów o samej SI: jak działa, jakie ma ograniczenia i jak korzystać z niej odpowiedzialnie. Obejmuje to budowanie podstawowego zrozumienia modeli językowych jako mechanizmów przewidywania, a nie baz danych, co wyjaśnia ich skłonność do halucynacji, a także praktyczne umiejętności, takie jak sprawdzanie faktów w treściach SI i rozpoznawanie zmyślonych cytatów (UNESCO, 2024). Obejmuje to również rozwijanie krytycznego myślenia wokół formułowania poleceń, przechodzenie uczniów od samego wykonywania poleceń do ich formułowania, a także budowanie świadomości etycznych i prawnych wymiarów korzystania z SI, w tym prywatności danych i unijnego AI Act. Ramy kompetencji SI dla nauczycieli UNESCO (2024) ujmują to jako podstawową kompetencję zawodową, argumentując, że sami nauczyciele potrzebują szkolenia w tych obszarach, zanim będą mogli skutecznie nauczać ich uczniów.

Czego brakuje?

Obok ram instytucjonalnych i danych dotyczących wdrażania, ważne jest zrozumienie, jak te zjawiska przekładają się na praktykę. W ramach projektu DUAL.AI.TEACHer przeprowadzono serię warsztatów. Zaproszono licznych interesariuszy edukacji, by zebrać relacje z pierwszej ręki na temat obecnego wykorzystania SI w nauczaniu. Warsztaty te ujawniły zestaw konkretnych potrzeb i obaw zgłaszanych przez osoby pracujące w edukacji, obejmujących aspekty praktyczne, pedagogiczne i szkoleniowe. Poniższe sekcje szczegółowo przedstawiają te potrzeby.

Głosy z praktyki

„Kto uczy z wykorzystaniem SI, musi umieć zweryfikować każdą udzieloną przez nią odpowiedź, bo błędy się zdarzają. Bez solidnej wiedzy przedmiotowej ich nie zauważysz.”

1. SI w Edukacji

1.6 Przepisy prawne

Zastrzeżenie: Ten rozdział został starannie opracowany, ale prawo dotyczące SI to szybko zmieniająca się dziedzina. Przepisy mogły zmienić się od czasu publikacji, dlatego zawsze sprawdzaj aktualną sytuację prawną i w razie potrzeby uwzględniaj przepisy krajowe. Ten rozdział nie stanowi porady prawnej.

Najważniejsze przesłanie

Jeśli zapamiętasz z tej strony tylko jedno zdanie: Używaj SI, by wspierać swój profesjonalny osąd, a nie go zastępować – surowsze zasady obowiązują, gdy tylko SI zaczyna pomagać w podejmowaniu decyzji o ocenach, ścieżkach edukacyjnych lub ludziach.

Unijny AI Act

Unijny AI Act (Rozporządzenie (UE) 2024/1689) to jednolity, oparty na ryzyku zbiór przepisów UE dotyczących sztucznej inteligencji. Zamiast regulować konkretne produkty, klasyfikuje systemy SI według ryzyka, jakie stwarzają, i nakłada odpowiednie obowiązki – od całkowitego zakazu dla niewielkiej grupy praktyk, przez dodatkowe obowiązki dla zastosowań „wysokiego ryzyka”, aż po brak szczególnych zasad dla narzędzi codziennego użytku. Obowiązuje bezpośrednio w każdym państwie członkowskim, zarówno w organizacjach publicznych, jak i prywatnych.

Rozporządzenie wchodzi w życie etapami. Obowiązuje od 1 sierpnia 2024 r.; od 2 lutego 2025 r. wiążące są już zakazane praktyki opisane niżej oraz obowiązek budowania kompetencji w zakresie SI (Art. 4); od 2 sierpnia 2026 r. zastosowanie znajdzie większość pozostałych przepisów.

Fig1_1_6.jpg

Rys. 1: „Mapa drogowa SI” (obraz wygenerowany przez SI, ...)

Kto odpowiada za wykorzystanie SI?

Jeśli szkoła wprowadza i kontroluje system SI, to zazwyczaj to szkoła lub organ prowadzący szkołę jest „podmiotem stosującym” (Art. 3(4)). Nauczyciel zwykle nie jest odrębnym podmiotem stosującym, gdy korzysta z narzędzia zgodnie z instrukcjami szkoły, ale nadal musi przestrzegać tych instrukcji oraz wszystkich odnośnych zasad szkolnych i dotyczących ochrony danych.

Nauczyciele muszą wiedzieć, z czego korzystają

Szkoły i organy prowadzące muszą podjąć odpowiednie działania, by wspierać rozwój kompetencji w zakresie SI wśród osób korzystających w ich imieniu z systemów SI (Art. 4). AI Act nie określa konkretnego poziomu kompetencji, certyfikatu ani formy szkolenia. Zależą one raczej od konkretnego systemu SI, sposobu jego użycia i tego, kto może zostać nim dotknięty.

Praktyki SI całkowicie zakazane w szkołach

AI Act całkowicie zakazuje ośmiu praktyk związanych z SI (Art. 5); cztery z nich bezpośrednio dotyczą szkół:

Czy treść wygenerowana przez SI zawsze wymaga oznaczenia?

Jeśli uczniowie wchodzą w bezpośrednią interakcję z systemem SI, takim jak chatbot, muszą zostać poinformowani, że wchodzą w interakcję z SI. Zwykle odpowiedzialność za jasne poinformowanie o tym spoczywa na dostawcy systemu (Art. 50(1)).

Szkoły i nauczyciele muszą ujawniać deepfake'i lub tekst wygenerowany przez SI publikowany w sprawach interesu publicznego, gdy są one wykorzystywane na lekcji (Art. 50(4)). Ten wymóg nie ma zastosowania, gdy treść wygenerowana przez SI przeszła efektywną weryfikację i kontrolę redakcyjną człowieka, a dana osoba lub instytucja przyjmuje odpowiedzialność redakcyjną za jej publikację. Karta pracy wspomagana SI, zweryfikowana przez nauczyciela, nie wymaga więc automatycznie oznaczenia.

Kiedy SI w edukacji staje się wysokiego ryzyka

Zwykłe narzędzia do pisania, tłumaczenia, wyszukiwania i planowania lekcji nie są wysokiego ryzyka tylko dlatego, że są wykorzystywane w pracy. Klasyfikacja zależy od zamierzonego celu systemu, a nie po prostu od tego, jaki produkt jest używany (Art. 6 · Annex III).

Systemy SI mogą zostać zaklasyfikowane jako wysokiego ryzyka, gdy są przeznaczone do:

Dla nauczycieliDla szkół
  • decydowania o dostępie, przyjęciu lub przydziale uczniów do placówek i programów edukacyjnych lub zawodowych;
  • oceniania wyników nauczania uczniów lub sterowania ich procesami uczenia się;
  • oceniania odpowiedniego poziomu kształcenia, jaki uczeń otrzyma lub do jakiego może uzyskać dostęp; lub
  • wykrywania zakazanych zachowań uczniów podczas egzaminów.

(Annex III, pkt 3)

  • rekrutacji lub selekcji nauczycieli, w tym przeglądania zgłoszeń;
  • decydowania o warunkach umowy, awansie lub rozwiązaniu stosunku pracy nauczyciela;
  • przydzielania zadań na podstawie zachowania lub cech osobistych nauczyciela; lub
  • oceniania wyników pracy nauczycieli.

(Annex III, pkt 4)

Ograniczone narzędzie sprawdzające lub przygotowawcze może również nie zostać zaklasyfikowane jako wysokiego ryzyka, jeśli nie wpływa istotnie na decyzję. Jednak system edukacyjny profilujący osoby zawsze jest uznawany za wysokiego ryzyka.

Co SI wysokiego ryzyka oznacza dla szkół i nauczycieli

Zaklasyfikowanie systemu SI jako wysokiego ryzyka nie wyklucza automatycznie jego wykorzystania w szkołach. Systemy wysokiego ryzyka wiążą się jednak z obowiązkami (Art. 26):

Te obowiązki dla SI wysokiego ryzyka w edukacji zaczną obowiązywać od 2 grudnia 2027 r. – natomiast wymienione wyżej zakazy i obowiązek budowania kompetencji w zakresie SI obowiązują już dziś.

Dla nauczycieliDla szkół
  • korzystać z niego wyłącznie w zatwierdzonym celu i przestrzegać jego instrukcji;
  • nie traktować jego wyniku jako decyzji ostatecznej;
  • rozumieć jego główne ograniczenia i prawdopodobne źródła błędów;
  • uważać na nadmierne poleganie na pozornie przekonujących wynikach; oraz
  • być przygotowanym, by zignorować lub uchylić jego wynik.
  • zapewnić kompetentny i upoważniony nadzór ludzki;
  • zapewnić, by wszelkie dane wejściowe pod jej kontrolą były trafne i wystarczająco reprezentatywne;
  • monitorować system i reagować na zagrożenia lub poważne incydenty;
  • przechowywać automatycznie generowane dzienniki zdarzeń przez co najmniej sześć miesięcy, gdy pozostają pod jej kontrolą; oraz
  • z wyprzedzeniem informować uczniów, nauczycieli lub osoby dotknięte skutkami, gdy system wspomaga podejmowanie decyzji ich dotyczących.

Podmioty publiczne oraz organizacje prywatne świadczące usługi publiczne mogą być również zobowiązane do przeprowadzenia oceny skutków dla praw podstawowych przed zastosowaniem SI wysokiego ryzyka (Art. 27). Organy publiczne oraz organizacje działające w ich imieniu mogą dodatkowo być zobowiązane do zarejestrowania systemu w unijnej bazie danych (Art. 49). To, czy odpowiada za to szkoła, czy jej organ prowadzący, zależy od krajowego systemu oświaty.

AI Act to nie jedyne prawo, które ma znaczenie

AI Act nie zastępuje europejskich ani krajowych przepisów dotyczących ochrony danych, oświaty, zatrudnienia i partycypacji pracowniczej, ochrony dzieci czy prawa autorskiego (Art. 2(7)). Na przykład fakt, że narzędzie nie jest wysokiego ryzyka, nie oznacza, że wolno przesyłać do niego prace uczniów czy ich dane osobowe.

Narzędzie może być dopuszczalne na gruncie AI Act, a mimo to zakazane przez prawo ochrony danych lub zasady obowiązujące w Twojej szkole.

RODO

RODO (Rozporządzenie (UE) 2016/679) to unijne prawo o ochronie danych osobowych. Pełni rolę uzupełniającą wobec AI Act: podczas gdy AI Act pyta, czy i jak dany system SI wolno w ogóle stosować, RODO stawia węższe pytanie – czy te konkretne dane o tej konkretnej osobie wolno przetwarzać w ten sposób? Spełnienie wymogów jednego z tych aktów nie oznacza automatycznie spełnienia wymogów drugiego.

W praktyce: zanim wprowadzisz prawdziwe dane uczniów lub personelu do narzędzia SI, sprawdź, czy Twoja szkoła je zatwierdziła, nie udostępniaj więcej danych osobowych, niż wymaga zadanie, a gdy tylko wypróbowujesz narzędzie, korzystaj raczej z przykładów zanonimizowanych lub fikcyjnych.

Gdzie szukać pomocy

Egzekwowanie przepisów jest zorganizowane w każdym kraju UE inaczej. Ponieważ odpowiedzialności krajowe mogą się zmieniać, korzystaj z aktualnej list of national market-surveillance authorities Komisji Europejskiej [lista krajowych organów nadzoru rynku]. Każdy (nauczyciel, uczeń, rodzic) może złożyć skargę do takiego organu, jeśli uzna, że doszło do naruszenia przepisów rozporządzenia (Art. 85). Gdy system wysokiego ryzyka, taki jak narzędzie do decyzji o przyjęciu lub nadzoru egzaminu, doprowadził do decyzji istotnie wpływającej na ucznia, uczeń (lub jego rodzice) mogą również zażądać wyjaśnienia tej indywidualnej decyzji (Art. 86).

Zasady krajowe dla Twojego kraju

AI Act obowiązuje w całej UE, ale organy egzekwujące, prawo oświatowe i praktyka ochrony danych różnią się w zależności od kraju. Uwagi dotyczące poszczególnych krajów partnerskich Playbooka zostaną tu dodane:

2. Dobre Praktyki i Przykłady z Klasy

2. Dobre Praktyki i Przykłady z Klasy

2.1 Wprowadzenie

Rozdział 1 wyjaśnił, kiedy SI pomaga, gdzie szkodzi i jakie zasady obowiązują. Ten rozdział pokazuje, jak to wygląda w zwykły szkolny dzień.

Przykłady są omawiane przedmiot po przedmiocie, począwszy od biologii, języka angielskiego jako obcego, historii i matematyki. Kolejne przedmioty będą dodawane w trakcie projektu. Każdy przykład bierze sytuację z codziennego nauczania i pokazuje, jak można wykorzystać SI, co robi nauczyciel i gdzie coś może pójść nie tak. Przykłady stosują trzy idee z rozdziału 1: SI wspiera uczenie się tylko wtedy, gdy uczący się najpierw sami myślą; zanim zaczniesz uczyć z SI, musisz trochę wiedzieć o SI; a zasady muszą być jasne, zanim rozpocznie się zadanie.

Określenie „dobra praktyka” prosimy czytać ze skromnością. Praktyki, o których opowiadają nauczyciele w całej Europie, to obiecujące podejścia, a nie sprawdzone recepty, i żadna z nich nie została jeszcze poddana ewaluacji. Traktuj każdy przykład jako punkt wyjścia: wypróbuj go, dostosuj do swojej klasy i sprawdź, czy jest zgodny z zasadami obowiązującymi w Twojej szkole. Lista kontrolna podsumowuje pytania, które warto sobie zadać, zanim SI pojawi się na Twojej lekcji.

Za pomocą wbudowanego systemu tagów w lewym górnym rogu możesz wyszukiwać różne przedmioty i sortować treści według kategorii lekcje oraz rozwój zawodowy.

grafik.png

Rys. 1: „Przykład systemu tagów”

2. Dobre Praktyki i Przykłady z Klasy

2.2 Biologia: symulacje vibe coding w klasie

Dynamika drapieżnik–ofiara (model Lotki–Volterry)

Przedmiot: Biologia · Klasa: 9 (wiek 14–15) · Czas trwania: 1 lekcja podwójna (90 min) · SI: Uczenie się Z SI

Kompetencje związane z SI (Ramy DUAL.AI.TEACHer) – poziom nauczycielaPrzedmiotowe cele kształcenia – poziom ucznia

AF-TL-2b

(Podstawy i zastosowania SI × Nauczanie i uczenie się, poziom 2 – refleksyjne wdrażanie):

„Nauczyciele potrafią organizować elementy lekcji, które osadzają wykorzystanie SI w jasnych rolach pedagogicznych oraz strategiach weryfikacji elementów wyniku.”

AF-FC-2b

(Podstawy i zastosowania SI × Wspieranie kompetencji cyfrowych (SI) uczniów, poziom 2 – refleksyjne wdrażanie):

„Nauczyciele potrafią wdrażać wskazówki pomagające uczniom rozwijać praktyczne umiejętności SI, dostosowując zadania do wcześniejszej wiedzy uczniów i dostępnych narzędzi SI.”

Po zakończeniu lekcji uczniowie potrafią:

  • opisać kluczowe zmienne (populacja ofiar, populacja drapieżników) i parametry (tempo wzrostu, tempo drapieżnictwa, efektywność konwersji, tempo śmiertelności) modelu Lotki–Volterry;
  • formułować i testować hipotezy dotyczące dynamiki populacji za pomocą interaktywnej symulacji;
  • rozszerzać istniejącą symulację o dodatkowe warstwy złożoności ekologicznej (np. pojemność środowiska, drugi gatunek, czynnik sezonowy), pisząc ustrukturyzowane polecenia dla modelu językowego SI;
  • krytycznie oceniać założenia i ograniczenia modelu (natura nauki), w tym dlaczego wprowadzenie losowości lub dodatkowego czynnika może go destabilizować.

Najważniejsze przesłanie: Uczniowie nie muszą programować od zera. Przeczytanie i przetestowanie istniejącej symulacji, a następnie wykorzystanie dużego modelu językowego do dodawania po jednej warstwie ekologicznego realizmu na raz, wystarczy, by zbudować prawdziwe zrozumienie dynamicznego modelu biologicznego – i, prędzej czy później, samodzielnie odkryć, gdzie dokładnie model osiąga swoje granice.

Vibe-Coding SImulations.png

Rys. 1: „Dynamika drapieżnik–ofiara (model Lotki–Volterry)” (obraz wygenerowany przez SI, ChatGPT GPT Image 2)

Treść

Modele matematyczne i symulacje komputerowe są szczególnie cennymi narzędziami w ekologii, ponieważ pozwalają wyrazić bardzo złożone systemy za pomocą równań matematycznych. Umożliwia to przeprowadzanie eksperymentów in silico i testowanie hipotez na modelu w sytuacjach, w których prawdziwy eksperyment byłby zbyt kosztowny, zbyt powolny, etycznie trudny lub wręcz niebezpieczny. Manipulowanie prawdziwą populacją drapieżników, na przykład, rzadko wchodzi w grę. Jednocześnie każdy model jest z konieczności uproszczeniem rzeczywistości i właśnie tu leżą jego słabości: prawdziwe ekosystemy są znacznie bardziej złożone, niż jakikolwiek model może w pełni uchwycić.

Model Lotki–Volterry to klasyczny przykład takiego uproszczenia zastosowanego do dynamiki drapieżnik–ofiara. Przedstawia system za pomocą dwóch zmiennych stanu (liczebności populacji ofiar i drapieżników) oraz czterech parametrów (wewnętrznego tempa wzrostu populacji ofiar, współczynnika tempa drapieżnictwa, tempa rozrodu drapieżników na jedną zjedzoną ofiarę oraz tempa śmiertelności drapieżników). Przy swoich wyidealizowanych założeniach model przewiduje trwałe, okresowe oscylacje, w których zmiany populacji drapieżników następują z opóźnieniem względem zmian populacji ofiar. Zachowanie to wynika z pętli sprzężenia zwrotnego: gdy populacja ofiar rośnie, drapieżnikom dostępne jest więcej pożywienia, co pozwala rosnąć populacji drapieżników. Zwiększone drapieżnictwo powoduje następnie spadek populacji ofiar, co zmniejsza zasoby pokarmowe drapieżników i prowadzi do spadku ich populacji. Przy mniejszej liczbie drapieżników populacja ofiar może się odbudować i cykl zaczyna się od nowa.

Aby uzyskać ten czysty cykl, model przyjmuje kilka mocnych założeń. Jest deterministyczny (te same wartości początkowe zawsze dają dokładnie tę samą krzywą); jest zamkniętym systemem dwóch gatunków, który wyklucza każdy czynnik abiotyczny (temperaturę, opady, porę roku) i każdy inny czynnik biotyczny (rośliny pokarmowe dla ofiar, trzeci gatunek, choroby); oraz sprawia, że wzrost każdej populacji zależy wyłącznie od liczebności drugiej populacji.

Prawdziwe populacje rzadko spełniają te założenia. Narodziny, zgony i spotkania podlegają przypadkowi, a stochastyczna (losowa) wersja tego samego modelu ma tendencję do odchodzenia od czystego cyklu, a nawet może się załamać (np. wymarcie populacji drapieżników) w przypadkach, w których wersja deterministyczna przewiduje stabilne oscylacje. Podobnie, dodanie zaledwie jednego brakującego czynnika (np. zależnego od temperatury tempa wzrostu lub ograniczenia zasobów pokarmowych ofiar) często wystarcza, by zaburzyć czysty dwuzmienny cykl. Nie jest to wada, którą należy ukrywać przed uczniami – to centralna lekcja o naturze nauki płynąca z tego ćwiczenia. Model może być naprawdę użyteczny, pozostając jednocześnie celowo wąskim przybliżeniem rzeczywistości, a dobre korzystanie z niego oznacza dokładną znajomość tego, jakie czynniki pomija. W głównym zadaniu tej lekcji uczniowie odkrywają to samodzielnie, próbując dodać właśnie tego rodzaju czynniki.

Plan lekcji

FazaCzasAktywność
Wprowadzenie8 minNauczyciel pokazuje nieopisany wykres prawdziwej serii danych drapieżnik–ofiara (np. ryś/zając); uczniowie opisują wzorzec i formułują pierwsze hipotezy.
Wejście12 minNauczyciel przedstawia zmienne i parametry modelu za pomocą prostego diagramu (bez potrzeby równań różniczkowych).
Eksploracja15 minUczniowie w parach testują swoje hipotezy na gotowej symulacji HTML i zapisują obserwacje.
Adaptacja35 minW parach uczniowie przechodzą przez 2–3 rundy przewiduj → poleceniuj → testuj → diagnozuj (pytania przewodnie poniżej), za każdym razem prosząc model językowy o dodanie kolejnej warstwy ekologicznego realizmu do symulacji (ograniczenie zasobów pokarmowych ofiar, drugi gatunek, czynnik sezonowy/abiotyczny), aż czysty dwuzmienny cykl wyraźnie się załamie.
Refleksja20 minDyskusja z całą klasą, prowadzona pytaniami takimi jak: W której rundzie symulacja przestała wytwarzać czysty, powtarzalny cykl? Co model oryginalny celowo pomija i dlaczego? Co sprawia, że jest użytecznym uproszczeniem, a nie po prostu błędnym modelem?

Pytania przewodnie: warstwy złożoności

Pary przechodzą przez tyle poniższych rund, na ile pozwoli czas w ciągu 35 minut (większość radzi sobie z dwiema; trzecia jest rozszerzeniem dla tych, którzy skończą wcześniej). Każda runda przebiega według tego samego czteroetapowego cyklu:

Runda 1 — ogranicz zasoby pokarmowe ofiar (pojemność środowiska):

Runda 2 — dodaj kolejny czynnik (biotyczny lub abiotyczny):

Runda 3 (opcjonalna) — wprowadź losowość:

Pytanie zamykające (do fazy refleksji): W której rundzie symulacja przestała wytwarzać czysty, powtarzalny cykl – i co to mówi o tym, ile rzeczywistych czynników oryginalny model Lotki–Volterry musi pominąć, aby pozostać rozwiązywalnym i łatwym do interpretacji?

Materiały

2. Dobre Praktyki i Przykłady z Klasy

2.3 Język angielski jako obcy

2.3 Język angielski jako obcy

Stosowność komunikacyjna w języku angielskim

Przedmiot: Język angielski jako obcy  ·  Klasa: 9 (wiek 14–15)  ·  Czas trwania: 1 lekcja podwójna (90 min)  ·  SI: Uczenie się Z SI

Kompetencje związane z SI (Ramy DUAL.AI.TEACHer) – poziom nauczycielaPrzedmiotowe cele kształcenia – poziom ucznia

AF-TL-2b

(Podstawy i zastosowania SI × Nauczanie i uczenie się, poziom 2 – refleksyjne wdrażanie):

„Nauczyciele potrafią organizować elementy lekcji, które osadzają wykorzystanie SI w jasnych rolach pedagogicznych oraz strategiach weryfikacji elementów wyniku.”

AF-FC-2b

(Podstawy i zastosowania SI × Wspieranie kompetencji cyfrowych (SI) uczniów, poziom 2 – refleksyjne wdrażanie):

„Nauczyciele potrafią wdrażać wskazówki pomagające uczniom rozwijać praktyczne umiejętności SI, dostosowując zadania do wcześniejszej wiedzy uczniów i dostępnych narzędzi SI.”

Po zakończeniu lekcji uczniowie potrafią:

  • rozróżniać język angielski poprawny gramatycznie od języka stosownego w danym kontekście;
  • rozpoznawać różnice w słownictwie, tonie i rejestrze językowym w różnych sytuacjach komunikacyjnych;
  • formułować ustrukturyzowane polecenia (prompty) określające odbiorcę, cel, kontekst, poziom językowy i ton wypowiedzi;
  • porównywać język wygenerowany przez SI i wskazywać sformułowania niestosowne lub nienaturalne;
  • poprawiać tekst wygenerowany przez SI, opierając się na własnej wiedzy językowej;
  • sprawdzać, czy odpowiedź wygenerowana przez SI spełnia wymagania zawarte w poleceniu.

Najważniejsze przesłanie: SI potrafi generować płynny i poprawny gramatycznie język angielski, ale nie oznacza to automatycznie, że język ten jest naturalny lub stosowny w danej sytuacji. Zmieniając odbiorcę, cel i kontekst wygenerowanej przez SI rozmowy, uczniowie uczą się oceniać sugestie SI i wykorzystywać własną wiedzę językową do podejmowania ostatecznych decyzji.

ChatGPT Image Sep 1, 2026 at 03_17_43 PM.png

Rys. 1: „Stosowność komunikacyjna w języku angielskim” (obraz wygenerowany przez SI, ChatGPT GPT Image 2)

Treść

Skuteczne porozumiewanie się w języku obcym wymaga czegoś więcej niż tworzenia zdań poprawnych gramatycznie. Osoby mówiące nieustannie dostosowują słownictwo, budowę zdań, grzeczność i ton wypowiedzi do odbiorcy, celu i kontekstu komunikacji. Tę samą intencję można zatem wyrazić na bardzo różne sposoby, w zależności od tego, kto mówi do kogo. Prośba skierowana do bliskiego przyjaciela może być krótka i nieformalna, podczas gdy ta sama prośba skierowana do nauczyciela, pracodawcy lub osoby nieznajomej zwykle wymaga innego słownictwa, bardziej uprzejmych struktur i innego stopnia formalności. Te różnice składają się na tzw. rejestr językowy, który opisuje, jak język zmienia się w zależności od sytuacji społecznej i komunikacyjnej.

Dla osób uczących się języka rejestr bywa trudny do rozpoznania, ponieważ zdanie może być poprawne gramatycznie, a mimo to brzmieć nienaturalnie lub niestosownie w danym kontekście. Przykłady podręcznikowe często przedstawiają wyraźny podział na język formalny i nieformalny, podczas gdy prawdziwa komunikacja jest znacznie bardziej elastyczna. Wiek, relacja między rozmówcami, oczekiwania kulturowe, medium komunikacji oraz cel wypowiedzi – wszystko to wpływa na używany język. Wiadomość, która brzmi naturalnie w rozmowie między nastolatkami, może na przykład zabrzmieć zbyt nieformalnie w e-mailu do nauczyciela, podczas gdy wyrażenie odpowiednie do formalnego listu może w codziennej rozmowie brzmieć niepotrzebnie sztywno.

Generatywna SI potrafi bardzo szybko tworzyć i dostosowywać dialogi, co czyni ją przydatną do badania tych różnic. Zmieniając poszczególne elementy polecenia – takie jak relacja między rozmówcami, poziom językowy, cel czy stopień formalności – uczniowie mogą wygenerować kilka wersji tej samej sytuacji komunikacyjnej i porównać, jak zmienia się język. Jednocześnie tekst wygenerowany przez SI nie jest automatycznie wiarygodny tylko dlatego, że brzmi płynnie. Model może wygenerować język zbyt formalny, powtarzalny, niezręczny kulturowo, niezgodny z żądanym poziomem lub nie w pełni odpowiadający instrukcjom zawartym w poleceniu. Generatywna SI działa też w sposób probabilistyczny, co oznacza, że podobne polecenia mogą prowadzić do różnych sformułowań.

To ograniczenie stanowi istotę tego ćwiczenia, a nie coś, co należy ukrywać przed uczniami. SI staje się najbardziej użyteczna, gdy uczniowie traktują jej wyniki jako materiał językowy do analizy, a nie gotową odpowiedź do przyjęcia. Na tej lekcji uczniowie najpierw analizują, jak rejestr zmienia się w zależności od kontekstu komunikacyjnego, a następnie wykorzystują duży model językowy do modyfikowania po jednej zmiennej komunikacyjnej naraz. Porównują powstałe dialogi, wskazują, które wybory językowe są trafne, a które nie, oraz samodzielnie poprawiają fragmenty wyniku. W ten sposób uczniowie ćwiczą zarówno kompetencje komunikacyjne w języku angielskim, jak i praktyczną umiejętność korzystania z SI: formułowanie jasnych poleceń, sprawdzanie, czy zostały one spełnione, oraz wykorzystywanie własnego osądu językowego do oceny, czy końcowy wynik jest stosowny.

Plan lekcji

FazaCzasAktywność
Wprowadzenie10 minNauczyciel pokazuje dwie krótkie wiadomości wyrażające tę samą prośbę – na przykład jedną skierowaną do przyjaciela, a drugą do nauczyciela. Uczniowie wskazują różnice w słownictwie, uprzejmości i tonie oraz próbują odgadnąć, kto mógł napisać każdą z wiadomości.
Wejście10 minNauczyciel wprowadza pojęcia odbiorcy, celu, kontekstu i rejestru językowego. Uczniowie wspólnie identyfikują cechy formalnego i nieformalnego języka angielskiego oraz dyskutują, dlaczego język poprawny gramatycznie nie zawsze jest językiem stosownym.
Eksploracja15 minW parach uczniowie analizują krótki dialog wygenerowany przez SI dotyczący codziennej sytuacji. Wskazują przydatne wyrażenia oraz zaznaczają wszystko, co brzmi nienaturalnie, zbyt formalnie, zbyt nieformalnie lub nieodpowiednio do ich poziomu językowego.
Adaptacja35 minUczniowie przechodzą przez 2–3 rundy cyklu przewiduj → poleceniuj → porównaj → diagnozuj. W każdej rundzie zmieniają jeden aspekt kontekstu komunikacyjnego i proszą SI o dostosowanie dialogu.
Refleksja20 minUczniowie porównują swoje wersje i dyskutują, które zmiany najbardziej wpłynęły na język. Wskazują, gdzie SI dobrze zastosowała się do instrukcji, gdzie tego nie zrobiła, oraz które wyrażenia sami by zmienili.

Pytania przewodnie: warstwy złożoności

Pary realizują tyle poniższych rund, ile pozwoli czas w ciągu 35-minutowej fazy adaptacji. Większość par powinna ukończyć dwie rundy, trzecia może posłużyć jako rozszerzenie dla tych, którzy skończą wcześniej:

Runda 1 — zmień relację między rozmówcami:

Runda 2 — zmień cel komunikacyjny:

Uczniowie zmieniają teraz to, co jedna ze stron chce osiągnąć. Na przykład:

pytanie o informację → złożenie skargi

przyjęcie zaproszenia → uprzejma odmowa

prośba o pomoc → prośba o pozwolenie

rozmowa nieformalna → prośba formalna

Runda 3 (opcjonalna) — dodaj ograniczenia i wyzwanie dla SI:

Uczniowie formułują swoje instrukcje bardziej precyzyjnie. Na przykład:

Rewrite the conversation for two 15-year-olds. Keep the English at B1 level. Make it friendly and natural, but avoid slang. Keep the same communicative purpose.

Pytanie zamykające (do fazy refleksji): W którym momencie zmiana sytuacji komunikacyjnej wymagała czegoś więcej niż zastąpienia kilku słów – i co to mówi o skutecznym porozumiewaniu się w innym języku?

Kolejne pytanie: Jeśli dialog wygenerowany przez SI jest poprawny gramatycznie, jak możesz ocenić, czy jest on rzeczywiście stosowny i naturalny w danej sytuacji?

Materiały

2. Dobre Praktyki i Przykłady z Klasy

2.4 Wiedza o społeczeństwie: SI, media i rzeczywistość

Czy możemy wierzyć we wszystko, co widzimy?

Przedmiot: Wiedza o społeczeństwie · Klasa: 5 (wiek 10–11) · Czas trwania: 1 lekcja podwójna (90 min) · SI: Nauczanie O SI

Najważniejsze przesłanie: SI potrafi tworzyć przekonujące teksty i obrazy, ale przekonujące nie znaczy prawdziwe. Zanim w coś uwierzymy lub to udostępnimy, musimy zapytać, skąd to pochodzi, jakie dowody to potwierdzają i czy możemy to zweryfikować gdzie indziej.

Treść

Sztuczna inteligencja coraz częściej staje się częścią codziennej komunikacji. Systemy SI potrafią generować teksty, obrazy i inne formy treści, które mogą wyglądać tak, jakby stworzył je człowiek. Stwarza to nowe możliwości, ale także nowe wyzwania dla tego, jak ludzie rozumieją i oceniają informacje. Dla uczniów w tym wieku ważne pytanie niekoniecznie dotyczy tego, jak SI działa od strony technicznej, lecz tego, jak treści wygenerowane przez SI mogą wpływać na ludzi i społeczeństwo.

Lekcja wprowadza SI poprzez znaną sytuację społeczną: informacje spotykane w codziennym życiu. Nauczyciel przedstawia przykłady tekstów i obrazów oraz prosi uczniów o rozstrzygnięcie, czy treść jest prawdziwa, przetworzona, czy wygenerowana przez SI. Nacisk nie jest położony na nauczenie uczniów bezbłędnego wykrywania SI. Przeciwnie, jednym z głównych wniosków z tej lekcji jest to, że sam wygląd nie jest wiarygodnym sposobem ustalania, czy coś jest prawdą.

Zamiast tego uczniowie poznają prosty proces weryfikacji:

ZATRZYMAJ SIĘ → ZAPYTAJ → SPRAWDŹ → PORÓWNAJ → ZDECYDUJ

Zajęcia łączą się z akcentem, jaki program nauczania wiedzy o społeczeństwie kładzie na rozwijanie krytycznego myślenia, analizowanie dowodów, formułowanie i wyrażanie opinii oraz badanie środowiska społecznego. Program nauczania wprost uwzględnia rolę i wpływ mediów jako jedno z proponowanych zagadnień społecznych dla klasy 5. Program zachęca też wyraźnie nauczycieli do rozwijania racjonalnego i krytycznego myślenia poprzez stawianie pytań wymagających rozumowania, badanie dowodów, analizowanie danych potwierdzających lub podważających wnioski oraz rozważanie różnych interpretacji. Co istotne, uczniowie podczas lekcji nie wchodzą w bezpośrednią interakcję z systemem SI. Narzędziem SI posługuje się nauczyciel i to on prezentuje klasie wybrane wyniki. Rolą uczniów jest obserwowanie, zadawanie pytań, porównywanie i ocenianie treści.

Plan lekcji

Faza Czas Aktywność
Wprowadzenie 10 min Nauczyciel pokazuje dwa lub trzy obrazy albo krótkie teksty związane ze znaną sytuacją. Uczniowie indywidualnie rozstrzygają: Czy to jest prawdziwe? Skąd to wiesz?
Wejście 15 min Nauczyciel wprowadza SI językiem dostosowanym do wieku: co potrafi generatywna SI i dlaczego treści wygenerowane przez SI mogą wyglądać przekonująco.
Demonstracja 15 min Nauczyciel na żywo używa narzędzia SI, by wygenerować obraz lub krótki tekst na podstawie prostego polecenia. Uczniowie obserwują, jak szybko można stworzyć taką treść, i dyskutują o tym, co SI właściwie wytwarza.
Badanie 30 min Grupy otrzymują kilka przykładów informacji/treści. Korzystają z listy kontrolnej weryfikacji i rozstrzygają, czemu by zaufały, co by zakwestionowały, a co sprawdziłyby dokładniej.
Refleksja 20 min Dyskusja z całą klasą: Czy możemy zaufać obrazowi tylko dlatego, że wygląda prawdziwie? A tekstowi? Kto ponosi odpowiedzialność, jeśli tworzymy lub rozpowszechniamy fałszywe informacje?

Pytania przewodnie: 

Uczniowie przechodzą przez poniższe sytuacje wspólnie z nauczycielem. Narzędziem SI posługuje się wyłącznie nauczyciel.

1. Runda 1 — ZATRZYMAJ SIĘ: nie wierz od razu

Nauczyciel pokazuje uczniom wygenerowany przez SI obraz znanej sytuacji — na przykład pozornie realistyczne zdjęcie niezwykłego wydarzenia w Słowenii.

  1. Zanim cokolwiek zostanie ujawnione, uczniowie odpowiadają:
    1. Czy ten obraz wygląda prawdziwie?

    2. Co sprawia, że tak myślisz?

    3. Które szczegóły sprawiają, że wydaje się wiarygodny?

    4. Czy jest coś, co wygląda nietypowo?

  2. Nauczyciel ujawnia, że obraz został wygenerowany przez SI, i krótko wyjaśnia, jak generatywna SI potrafi tworzyć realistycznie wyglądające obrazy.

    1. Co sprawiło, że uwierzyliśmy, iż obraz jest prawdziwy?

    2. Czy szukaliśmy dowodów, czy po prostu zaufaliśmy temu, co zobaczyliśmy?

    3. Czy ktoś mógłby wykorzystać taki obraz, by wprowadzić innych ludzi w błąd?

Diagnoza: Uczniowie wskazują różnicę między „To wygląda prawdziwie” a „Mam dowód, że to jest prawdziwe”.

Kluczowa myśl: Realistyczny wygląd nie jest dowodem na to, że coś jest prawdą.


2. Runda 2 — ZAPYTAJ: kto to stworzył i po co?

Nauczyciel przedstawia krótki fragment tekstu w stylu wiadomości prasowej, wygenerowanego przez SI. Na przykład nauczyciel prosi system SI o stworzenie krótkiego artykułu o wymyślonym wydarzeniu w słoweńskiej szkole.

  1. Uczniowie nie wchodzą w interakcję z SI. Zamiast tego analizują wynik.
    1. Kto to napisał lub stworzył?

    2. Skąd rzekomo pochodzi ta informacja?

    3. Czy tekst wskazuje źródło?

    4. Czy podaje dowody?

    5. Czy możemy zweryfikować tę informację?

    6. Dlaczego ktoś mógłby chcieć opublikować taką informację?

    7. Czy tekst brzmi pewnie, mimo że nie wiemy, czy jest prawdziwy?

  2. Uczniowie odkrywają, że tekst może brzmieć pewnie, rzeczowo i przekonująco, a mimo to nie mieć wiarygodnego źródła ani dowodów.

Kluczowa myśl: Odpowiedź brzmiąca pewnie niekoniecznie jest odpowiedzią poprawną.


3. Runda 3 — SPRAWDŹ I PORÓWNAJ: zweryfikujmy to

Nauczyciel przedstawia fikcyjne twierdzenie: „W Słowenii wprowadzono nowy przepis: uczniom nie wolno już używać telefonów komórkowych w soboty.”

Stwierdzenie jest celowo proste i na tyle prawdopodobne, by skłonić uczniów do zastanowienia się, jak by je sprawdzili.

  1. Uczniowie nie mają po prostu odpowiedzieć „prawda” lub „fałsz”. Zamiast tego muszą zaprojektować strategię weryfikacji.
    1. Gdzie sprawdzilibyście tę informację?

    2. Kogo moglibyście zapytać?

    3. Czy zaufalibyście wpisowi w mediach społecznościowych?

    4. Czy sprawdzilibyście tylko jedno źródło, czy kilka?

    5. Co uznalibyście za dobry dowód?

    6. Któremu źródłu zaufalibyście bardziej?

    7. Co sprawiłoby, że zmienilibyście zdanie?

  2. Następnie nauczyciel pokazuje, jak można sprawdzić to twierdzenie, korzystając z różnych rodzajów źródeł.

Uczniowie dostrzegają, że sprawdzanie informacji jest procesem, a nie tylko rozstrzyganiem, czy coś „wydaje się prawdziwe”. 


4. Runda opcjonalna — SI kontra człowiek

  1. Nauczyciel pyta system SI: „Dlaczego ważne jest zachowanie dziedzictwa kulturowego?” - SI generuje krótką odpowiedź.
  2. Uczniowie następnie samodzielnie tworzą własną odpowiedź bez SI.
  3. Klasa porównuje obie odpowiedzi.
    1. Co SI odpowiedziała dobrze?

    2. Czego brakuje?

    3. Czy SI podaje informację, opinię, czy jedno i drugie?

    4. Czy SI zna nasze lokalne środowisko tak dobrze jak my?

    5. Która odpowiedź byłaby bardziej przydatna przy prezentowaniu naszego lokalnego dziedzictwa kulturowego?

    6. Czy odpowiedź wygenerowana przez SI może zastąpić nasze własne myślenie?

Łączy się to z akcentem, jaki program nauczania kładzie na dziedzictwo kulturowe, rozumienie przez uczniów przeszłości i teraźniejszości oraz ich umiejętność wyjaśniania i uzasadniania własnych punktów widzenia.


Zadanie końcowe: tworzenie klasowej zasady

Na koniec lekcji nauczyciel i uczniowie wspólnie tworzą prosty plakat klasowy:

5 PYTAŃ, ZANIM COŚ UDOSTĘPNIMY

Plakat staje się głównym praktycznym efektem lekcji.

Pytanie zamykające: Jeśli komputer potrafi stworzyć obraz lub tekst, który wygląda całkowicie prawdziwie, co powinniśmy zrobić, zanim w to uwierzymy lub udostępnimy to innym ludziom?

Materiały


Rola nauczyciela i rola uczniów

Główną zasadą projektową tej lekcji jest to, że korzystaniem z SI kieruje nauczyciel.

Nauczyciel Uczniowie
Obsługuje narzędzie SI. Obserwują wynik SI.
Tworzy wybrane przykłady. Zadają pytania dotyczące treści.
Pokazuje, jak SI generuje tekst/obrazy. Wskazują powody, by zaufać informacji lub ją zakwestionować.
Podaje przykłady i kontrprzykłady Porównują różne źródła.
Modeluje strategie weryfikacji Opracowują własną strategię weryfikacji.
Prowadzi dyskusję Wyjaśniają i uzasadniają swoje wnioski.

Uwidacznia ograniczenia SI.

Zastanawiają się nad odpowiedzialnym dzieleniem się informacjami.

Uczniowie uczą się zatem o możliwościach, ograniczeniach i społecznych skutkach SI, nie potrzebując własnego dostępu do systemu SI.

2. Dobre Praktyki i Przykłady z Klasy

2.5 Międzyprzedmiotowo: projektowanie lekcji wspierane przez SI

Projektowanie dydaktyczne wspierane przez SI

Przedmiot: Doskonalenie zawodowe nauczycieli ·  Grupa docelowa: Nauczyciele ·  Czas trwania: 1 warsztat (90 min) ·  SI: Nauczanie Z SI 

Kompetencje związane z SI (Ramy DUAL.AI.TEACHer) – poziom nauczyciela Przedmiotowe cele kształcenia – poziom ucznia

AF-DR-2b

(Podstawy i zastosowania SI × Zasoby cyfrowe, poziom 2 – refleksyjne wdrażanie):

 

„Nauczyciele potrafią wdrażać strategie formułowania poleceń, iteracji i doprecyzowywania, aby uzyskać użyteczne zasoby wygenerowane przez SI.”


 

AF-TL-2b

(Podstawy i zastosowania SI × Nauczanie i uczenie się, poziom 2 – refleksyjne wdrażanie):

 

„Nauczyciele potrafią organizować elementy lekcji, które osadzają wykorzystanie SI w jasnych rolach pedagogicznych oraz strategiach weryfikacji elementów wyniku.”

Po zakończeniu zajęć uczestnicy potrafią:

  • sformułować ustrukturyzowane polecenie (prompt) służące stworzeniu aktywności edukacyjnej we własnym obszarze przedmiotowym;
  • ocenić aktywność wygenerowaną przez SI pod kątem trafności pedagogicznej, poprawności i dopasowania do grupy docelowej;
  • wskazać elementy materiału wygenerowanego przez SI, które wymagają weryfikacji lub adaptacji przez człowieka;
  • ulepszyć pierwotny wynik SI poprzez formułowanie poleceń, iterację i ręczną korektę;
  • włączyć SI do lekcji, zachowując jasno określoną rolę pedagogiczną nauczyciela i ucznia.

Najważniejsze przesłanie: Generatywna SI może przyspieszyć przygotowanie lekcji, ale użyteczna aktywność edukacyjna rzadko powstaje z jednego polecenia. Skuteczne projektowanie lekcji wspierane przez SI jest procesem iteracyjnym, w którym nauczyciele określają cel pedagogiczny, generują pomysły, oceniają wynik, dopracowują go i podejmują ostateczne decyzje dydaktyczne.

ChatGPT Image Sep 1, 2026 at 04_27_24 PM.png

Rys. 1: „Projektowanie dydaktyczne wspierane przez SI” (obraz wygenerowany przez SI, ChatGPT GPT Image 2)

Treść

Generatywna SI może wspierać nauczycieli w wielu zadaniach związanych z przygotowaniem lekcji, w tym w generowaniu pomysłów na aktywności, dostosowywaniu materiałów do różnych grup uczniów, tworzeniu przykładów i pytań czy proponowaniu alternatywnych sposobów wyjaśniania tematu. Łotewskie studium przypadku Datorium pokazuje takie praktyczne podejście do rozwijania kompetencji nauczycieli w zakresie SI: nauczyciele najpierw zapoznają się z SI i jej zastosowaniami edukacyjnymi, a następnie przechodzą do praktycznego eksperymentowania, planowania lekcji, oceniania i opracowywania zróżnicowanych materiałów. Po zastosowaniu w klasie następuje refleksja i informacja zwrotna, dzięki czemu korzystanie z SI staje się częścią iteracyjnego procesu doskonalenia zawodowego, a nie jednorazowym ćwiczeniem technicznym.

Użyteczność generatywnej SI w projektowaniu lekcji zależy w dużej mierze od informacji i ograniczeń podanych przez nauczyciela. Prośba w rodzaju „Stwórz lekcję o zmianie klimatu” pozostawia większość decyzji pedagogicznych systemowi SI. Bardziej ustrukturyzowane polecenie może określać przedmiot, wiek uczniów, ich dotychczasową wiedzę, cel kształcenia, czas trwania, metodę nauczania, dostępne zasoby oraz oczekiwany efekt pracy uczniów. Dodanie tych elementów nie gwarantuje dobrej lekcji, ale daje nauczycielowi większą kontrolę nad tym, co tworzy SI, i ułatwia ocenę powstałego materiału pod kątem zamierzonego celu kształcenia.

Nawet szczegółowe polecenie może dać materiał niepoprawny merytorycznie, słaby pedagogicznie, nierealistyczny wobec dostępnego czasu lekcji lub nieodpowiedni dla konkretnej grupy uczniów. SI może proponować aktywności bez uwzględnienia dynamiki klasy, zakładać zasoby, które są niedostępne, generować zadania, które w rzeczywistości nie mierzą deklarowanego celu kształcenia, lub dostarczać treści, które wyglądają przekonująco, ale wymagają weryfikacji merytorycznej. Z tego powodu materiały edukacyjne wygenerowane przez SI należy traktować jako szkic, a nie jako gotowy materiał dydaktyczny.

Głównym procesem uczenia się w tym ćwiczeniu nie jest zatem po prostu nauka pisania „dobrego polecenia”. Nauczyciele przechodzą przez powtarzalny cykl zdefiniuj → poleć → oceń → dopracuj → zweryfikuj. Zaczynają od rzeczywistego celu kształcenia z własnego kontekstu nauczania, wykorzystują SI do zaproponowania aktywności, oceniają wynik według kryteriów pedagogicznych, w razie potrzeby doprecyzowują polecenie, a na koniec wprowadzają własne modyfikacje, zanim uznają aktywność za gotową do zastosowania w klasie. Odzwierciedla to nacisk, jaki studium przypadku Datorium kładzie na praktyczne eksperymentowanie, współtworzenie, zastosowanie w klasie i refleksję, przy jednoczesnym pozostawieniu odpowiedzialności pedagogicznej i walidacji w rękach nauczyciela.

Plan lekcji

Faza Czas Aktywność
Wprowadzenie 10 min Uczestnicy wskazują jedno zadanie związane z przygotowaniem lekcji, w którym SI mogłaby być przydatna. Prowadzący przedstawia SI jako asystenta/współtwórcę, a nie jako samodzielnego projektanta lekcji.
Wejście 15 min Uczestnicy porównują proste polecenie z ustrukturyzowanym poleceniem edukacyjnym i badają, jak dodatkowy kontekst zmienia wygenerowaną aktywność edukacyjną.
Eksploracja 15 min Każdy uczestnik wybiera rzeczywisty cel kształcenia ze swojego przedmiotu i prosi duży model językowy o wygenerowanie krótkiej aktywności klasowej, która ten cel realizuje.
Adaptacja 35 min Uczestnicy przechodzą przez dwie lub trzy rundy cyklu poleć → oceń → dopracuj → zweryfikuj, stopniowo dodając ograniczenia pedagogiczne i sprawdzając powstałą aktywność.
Refleksja 25 min Uczestnicy porównują pierwotny wynik SI z końcową wersją gotową do zastosowania w klasie i wskazują, które ulepszenia wynikły z formułowania poleceń, a które wymagały ich własnego osądu zawodowego.

Pytania przewodnie: od wyniku SI do gotowej aktywności lekcyjnej

  1. Runda 1 — zdefiniuj cel pedagogiczny:

    Zanim sformułujesz polecenie dla SI, określ:

    • Kim są uczniowie?
    • Co powinni wiedzieć lub umieć?
    • Jaką mają wcześniejszą wiedzę?
    • Ile czasu jest dostępne?
    • Co uczniowie mają właściwie robić podczas tej aktywności?

    Wygeneruj pierwszą wersję aktywności i porównaj ją z zamierzonym celem kształcenia.

    • Diagnozuj: Czy ta aktywność faktycznie pomaga uczniom osiągnąć cel, czy jedynie dotyczy tego samego tematu?
  2. Runda 2 — dodaj ograniczenia klasowe:

    Dopracuj polecenie, dodając realistyczne warunki, takie jak liczebność klasy, dostępne materiały, czas trwania lekcji, poziom uczniów, metoda nauczania czy wymogi dostępności.

    Wygeneruj poprawioną wersję aktywności i porównaj ją z pierwszą wersją.

    Porównaj: Sprawdź, czy wygenerowany dialog spełnia każdy element polecenia.
    • Diagnozuj: Które zmiany ulepszyły aktywność? Jakich warunków klasowych SI wciąż nie uwzględniła?
  3. Runda 3 (opcjonalna) — zweryfikuj i przejmij kontrolę:

    Oceń końcową aktywność wygenerowaną przez SI pod kątem:

    • poprawności merytorycznej;
    • zgodności z celem kształcenia;
    • dopasowania do grupy uczniów;
    • realistycznego czasu realizacji;
    • jasności instrukcji;
    • dostępności i włączania;
    • ról nauczyciela i uczniów.

    Następnie uczestnicy wprowadzają co najmniej jedną zmianę ręcznie, nie prosząc SI o poprawkę.

    Końcowe porównanie nie brzmi zatem „Które polecenie dało najlepszą odpowiedź SI?” lecz raczej „Co nauczyciel musiał wnieść, aby przekształcić pomysł wygenerowany przez SI w użyteczną aktywność edukacyjną?”

Pytanie zamykające (do fazy refleksji): W którym momencie aktywność wygenerowana przez SI wymagała czegoś więcej niż zwykłego ulepszenia polecenia – i co to mówi o roli nauczyciela w projektowaniu lekcji wspieranym przez SI?

Kolejne pytanie: Jeśli aktywność edukacyjna wygenerowana przez SI wygląda na kompletną i dobrze ustrukturyzowaną, jak możesz ocenić, czy jest ona rzeczywiście odpowiednia pedagogicznie i gotowa do wykorzystania z uczniami?

Materiały

2. Dobre Praktyki i Przykłady z Klasy

2.6 Historia: rekonstrukcja przeszłości

2.6 Historia: rekonstrukcja przeszłości

Dzień w średniowiecznej Rydze: co naprawdę mówią nam źródła?

Przedmiot: Historia  ·  Grupa docelowa: klasa 7 (wiek 13–14)  ·  Czas trwania: 1 lekcja podwójna  ·  SI: Uczenie się Z SI

Kompetencje związane z SI (Ramy DUAL.AI.TEACHer) – poziom nauczycielaPrzedmiotowe cele kształcenia – poziom ucznia

AF-TL-2b

(Podstawy i zastosowania SI × Nauczanie i uczenie się, poziom 2 – refleksyjne wdrażanie):

„Nauczyciele potrafią organizować elementy lekcji, które osadzają wykorzystanie SI w jasnych rolach pedagogicznych oraz strategiach weryfikacji elementów wyniku.”

AF-FC-2b

(Podstawy i zastosowania SI × Wspieranie kompetencji cyfrowych (SI) uczniów, poziom 2 – refleksyjne wdrażanie):

„Nauczyciele potrafią wdrażać wskazówki pomagające uczniom rozwijać praktyczne umiejętności SI, dostosowując zadania do wcześniejszej wiedzy uczniów i dostępnych narzędzi SI.”

Po zakończeniu lekcji uczestnicy potrafią:

  • wydobywać informacje o życiu miejskim w średniowieczu z źródeł pisanych, wizualnych i archeologicznych;
  • rozróżniać dowody, uzasadnione wnioskowanie i spekulację;
  • wyjaśniać aspekty handlu, rzemiosła i codziennego życia w średniowiecznej Rydze;
  • łączyć dowody z kilku źródeł, aby zbudować rekonstrukcję historyczną;
  • formułować polecenia (prompty), które wymagają od SI pracy na podstawie dostarczonych dowodów historycznych;
  • analizować informacje, aby zrozumieć znaczenie wiarygodnych źródeł.

Najważniejsze przesłanie: To, co pokazane, niekoniecznie jest tym, co się wydarzyło. Rekonstrukcje historyczne łączą dowody, uzasadnione wnioskowanie i spekulację. Zrozumienie przeszłości oznacza dostrzeganie różnicy między tym, co wiemy ze źródeł, tym, co możemy w uzasadniony sposób wywnioskować, a tym, co zostało wymyślone, by wypełnić luki i opowiedzieć lepszą historię.

ChatGPT Image Sep 2, 2026 at 01_30_35 PM.png

Rys. 1: „Dzień w średniowiecznej Rydze: co naprawdę mówią nam źródła?” (obraz wygenerowany przez SI, ChatGPT GPT Image 2)

Treść

Historycy nie mogą bezpośrednio obserwować codziennego życia w średniowieczu. Zamiast tego rekonstruują je na podstawie śladów pozostawionych przez ludzi: dokumentów pisanych, budynków, przedmiotów, wizerunków, znalezisk archeologicznych i innych dowodów. Różne źródła odpowiadają na różne pytania. Zapis handlowy może ujawnić, jakie towary wjeżdżały do miasta, podczas gdy przedmiot archeologiczny może powiedzieć nam coś o tym, co ludzie posiadali lub czego używali. Żadne pojedyncze źródło nie jest w stanie odtworzyć całego dnia z życia jakiejś osoby.

Średniowieczna Ryga stanowi użyteczne studium przypadku. Ryga rozwijała się szybko od początku XIII wieku i stała się ważnym ośrodkiem łączącym handel między Europą Zachodnią, Inflantami a ziemiami dalej na wschód. Pod koniec XIII wieku stała się jednym z głównych hanzeatyckich miast handlowych. Handel i rzemiosło sprzyjały rozwojowi organizacji kupieckich i rzemieślniczych, takich jak cechy.

Współczesne media mogą sprawiać, że przeszłość wydaje się znacznie pełniejsza, niż pozwalają na to zachowane dowody. Treści historyczne generowane przez SI, takie jak Chloe VS History, przedstawiają na przykład sugestywne sceny „podróży w czasie”, w których widzowie zdają się odwiedzać miejsca historyczne, na przykład Londyn w czasach czarnej śmierci. Odzież, ulice, budynki, ludzie i codzienne czynności są przedstawiane tak, jakby były bezpośrednio obserwowane. Jednak sceny te są rekonstrukcjami: część szczegółów może opierać się na dowodach historycznych, część może być uzasadnionym wnioskowaniem, a inne mogą być spekulacją lub nieścisłością.

Ten sam problem pojawia się w filmach historycznych. Film „Opowieść rycerza” (A Knight's Tale) tworzy rozpoznawalnie średniowieczny świat za pomocą zbroi, turniejów, strojów, architektury i ról społecznych, jednocześnie celowo wprowadzając współczesną muzykę, język i zachowania. Stanowi zatem użyteczne przypomnienie, że coś może wyglądać przekonująco historycznie, nie odzwierciedlając dokładnie tego, co się wydarzyło.

Generatywna SI działa w podobny sposób. Potrafi łączyć fragmenty dowodów historycznych w spójną rekonstrukcję dnia w średniowiecznej Rydze, ale może też wypełniać luki szczegółami, których nigdy nie było w źródłach. Niektóre dodane elementy mogą być historycznie prawdopodobne; inne mogą pochodzić z innego regionu, wieku lub grupy społecznej.

Uczniowie muszą zatem odróżniać trzy poziomy pewności:
Dowód – to, co bezpośrednio potwierdzają źródła historyczne.
Wnioskowanie – to, co można w uzasadniony sposób wywnioskować na podstawie tych dowodów.
Spekulacja – to, co zostało wymyślone, by wypełnić luki.

Plan lekcji

FazaCzasAktywność
Rozgrzewka10 minUczniowie oglądają średniowieczny film wygenerowany przez SI z serii Chloe VS History. Wskazują, co sprawia, że wygląda on wiarygodnie, i zastanawiają się, które szczegóły są rzeczywiście poparte dowodami.
Wejście10 minWprowadzenie pojęć dowód – wnioskowanie – spekulacja oraz ćwiczenie ich rozróżniania.
Eksploracja15 minUczniowie analizują źródła dotyczące średniowiecznej Rygi bez użycia SI i ustalają, co można rzeczywiście wiedzieć.
Adaptacja 120 minSI rekonstruuje dzień w średniowiecznej Rydze na podstawie ograniczonych dowodów. Uczniowie wskazują, gdzie wypełnia ona luki.
Adaptacja 220 minDodawane są kolejne źródła i bardziej precyzyjne polecenia. Uczniowie porównują obie rekonstrukcje.
Refleksja25 minUczniowie przenoszą te same ramy krytycznego myślenia na średniowieczny film historyczny.

Pytania przewodnie: od wyniku SI do gotowego ćwiczenia lekcyjnego

Materiały

2. Dobre Praktyki i Przykłady z Klasy

2.7 Informatyka / przedmioty przyrodnicze: SI dla realnego problemu szkolnego

Czy SI może pomóc nam segregować odpady w szkole?

Przedmiot: Informatyka / przedmioty przyrodnicze ·  Klasa: 7 (wiek 13–14) ·  Czas trwania: 1 lekcja podwójna ·  SI: Uczenie się Z SI 

Kompetencje związane z SI (Ramy DUAL.AI.TEACHer) – poziom nauczyciela Przedmiotowe cele kształcenia – poziom ucznia

AF-TL-2b

(Podstawy i zastosowania SI × Nauczanie i uczenie się, poziom 2 – refleksyjne wdrażanie):

 

„Nauczyciele rozumieją podstawowe zasady działania SI i uczenia maszynowego oraz potrafią przedstawić je na praktycznych przykładach.”


 

AF-FC-2b

(Podstawy i zastosowania SI × Wspieranie kompetencji cyfrowych (SI) uczniów, poziom 2 – refleksyjne wdrażanie):

 

„Nauczyciele potrafią prowadzić uczniów w eksperymentowaniu z narzędziami SI, testowaniu ich wyników oraz krytycznej refleksji nad ich wiarygodnością.”

Po zakończeniu lekcji uczniowie potrafią:

  • wyjaśnić w prosty sposób, jak model SI uczy się na przykładach
  • wytrenować i przetestować prosty model klasyfikacji obrazów
  •  wskazać przypadki, w których model daje błędne wyniki
  • wyjaśnić, jak jakość przykładów wpływa na działanie SI
  • ulepszyć model na podstawie testów; • ocenić, czy rozwiązanie oparte na SI byłoby użyteczne i wiarygodne w rzeczywistej sytuacji szkolnej.

Najważniejsze przesłanie: SI może pomagać w rozwiązywaniu rzeczywistych problemów, ale nie rozumie automatycznie tego, co widzi. Uczy się na przykładach dostarczonych przez ludzi, dlatego jej wyniki trzeba testować i oceniać.

image.png

Rys. 1: „Czy SI może pomóc nam segregować odpady w szkole?” (obraz wygenerowany przez SI, ChatGPT GPT Image 2)

Treść

Segregacja odpadów to codzienny temat w wielu szkołach. Uczniowie codziennie używają papieru, plastikowych butelek, opakowań po żywności i innych materiałów, ale przedmioty te nie zawsze trafiają do właściwego pojemnika na surowce wtórne.

Ta dobrze znana sytuacja daje prostą okazję do zbadania, jak działa sztuczna inteligencja. Uczniowie sprawdzają, czy system SI potrafiłby rozpoznać przedmiot i wskazać, do którego pojemnika na surowce wtórne należy go wrzucić.

W trakcie zajęć uczniowie tworzą podstawowy model klasyfikacji obrazów z kategoriami takimi jak papier, plastik i inne odpady. Dostarczają SI kilka przykładów, trenują model, a następnie testują go na nowych przedmiotach.

Zajęcia pokazują ważną zasadę uczenia maszynowego: SI uczy się wzorców z przykładów, które otrzymuje. Jeśli przykłady są zbyt podobne, niekompletne lub źle wybrane, model może dawać nieoczekiwane wyniki.

Uczniowie nie tylko tworzą zatem działający model. Celowo testują go na trudnych przykładach, badają jego błędy i próbują go ulepszyć. Mogą na przykład odkryć, że zgnieciona plastikowa butelka zostaje sklasyfikowana inaczej niż zwykła butelka albo że tło zdjęcia wpływa na wynik.

Lekcja łączy podstawowe pojęcie z zakresu SI z rzeczywistą sytuacją szkolną. Jednocześnie zachęca uczniów do krytycznego myślenia o wiarygodności i odpowiedzialności człowieka: nawet jeśli system SI wydaje rekomendację, to ludzie muszą zdecydować, czy wynik ma sens.

Plan lekcji

Faza Czas Aktywność
Wprowadzenie 10 min Nauczyciel pokazuje kilka codziennych odpadów i pyta uczniów, gdzie należy je wyrzucić. Klasa dyskutuje, czy SI mogłaby podjąć taką decyzję automatycznie.
Wejście 10 min Nauczyciel wprowadza pojęcie klasyfikacji obrazów i wyjaśnia, że SI uczy się na przykładach. Wybrane narzędzie SI zostaje krótko zaprezentowane.
Eksploracja 20 min W małych grupach uczniowie tworzą kategorie, takie jak papier, plastik i inne odpady, przygotowują przykłady i trenują swój pierwszy model.
Adaptacja 1 20 min Uczniowie testują model na nowych przedmiotach i zapisują, gdzie działa poprawnie, a gdzie popełnia błędy.
Adaptacja 2 20 min Uczniowie ulepszają przykłady treningowe, trenują model ponownie i porównują nowe wyniki z pierwszą wersją.
Refleksja 10 min Uczniowie dyskutują, czy ich system SI byłby wystarczająco wiarygodny do rzeczywistego wykorzystania w szkole i jakie są jego ograniczenia.

Pytania przewodnie: od eksperymentu z SI do zastosowania w praktyce

Materiały

2. Dobre Praktyki i Przykłady z Klasy

2.8 Matematyka: Czy maszyna naprawdę potrafi liczyć?

Pierwsze spotkanie z SI na lekcji matematyki w klasach młodszych – rozpoznawanie mowy z „Recheneule“

Przedmiot: Matematyka ·   Klasa: 2 (wiek 7–8) ·   Czas trwania: 1 lekcja (50 min) ·   SI: Uczenie się O SI

Przykład z prawdziwej szkoły: Ten przykład wzorowany jest na udokumentowanej praktyce szkoły Volksschule Hagenberg im Mühlkreis (Górna Austria), oficjalnej KI-Pilotschule austriackiego Federalnego Ministerstwa Edukacji. Od drugiej klasy nauczyciele wprowadzają tam SI w formie zabawy, aby przygotować dzieci na związane z nią szanse i zagrożenia (dyrektorka Martina Ketterer-Hager). Centralnym elementem jest projekt digicase / DLPL, w ramach którego dzieci ćwiczą myślenie algorytmiczne – w tym matematyczną grę z rozpoznawaniem mowy „Die schlaue Recheneule“, opracowaną wspólnie z PH Linz. Ta lekcja buduje jedną jednostkę lekcyjną wokół tego rzeczywistego narzędzia. Jest zgodna z ministerialną KI-Initiative oraz z czterokierunkowym kompasem Verstehen, Anwenden, Reflektieren, Mitgestalten.

Najważniejsze przesłanie: Dzieci nie tylko używają narzędzia – one je obserwują. Rozwiązując zadania na głos z „Recheneule“ i widząc, kiedy narzędzie słyszy właściwą liczbę, a kiedy się myli, drugoklasiści dokonują swojego pierwszego odkrycia na temat SI: jest ona pomocną, ale niedoskonałą maszyną, a to dziecko wciąż zna poprawną odpowiedź. To kładzie podwaliny pod nawyk na całe życie: sprawdzać, a nie tylko ufać.

ChatGPT Image 8. Sept. 2026, 13_34_19.png

Rys. 1: „Pierwsze spotkanie z SI na lekcji matematyki w klasach młodszych – rozpoznawanie mowy z «Recheneule»” (obraz wygenerowany przez SI, ChatGPT GPT Image 2)

Treść

Małe dzieci spotykają sztuczną inteligencję na długo przed tym, zanim potrafią ją wyjaśnić: asystenci głosowi w domu, aparaty rozpoznające twarze, aplikacje dokańczające ich zdania. Austriacki KI-Basiscurriculum oraz ministerialna KI-Initiative podkreślają, że kompetencje w zakresie SI należy rozwijać wcześnie i w formie zabawy, a ich miejsce jest w nauczaniu początkowym tak samo jak w starszych klasach. Volksschule Hagenberg im Mühlkreis, szkoła pilotażowa KI-Pilotschule, robi dokładnie to: od drugiej klasy nauczyciele wprowadzają SI poprzez gry, a w centrum znajduje się projekt digicase / DLPL, dzięki czemu dzieci budują pierwsze, konkretne wyobrażenie o tym, co te maszyny potrafią, a czego nie.

„Recheneule“ („mądra sowa licząca”) to jedna z tych gier i doskonale pasuje do lekcji matematyki. Wykorzystuje rozpoznawanie mowy – formę SI – tak by dziecko mogło wypowiedzieć liczbę na głos, a program próbował ją rozpoznać i użyć w obliczeniu. Narzędzie jest celowo proste i, jak zaznaczają jego twórcy, wciąż eksperymentalne: to, czy usłyszy poprawnie, zależy od mikrofonu, od tego, jak wyraźnie mówi dziecko, i od tego, jak cicho jest w sali. Dla siedmiolatka nie jest to wada, którą trzeba ukrywać, lecz istota całej lekcji. Gdy sowa pokazuje błędną liczbę, dziecko może na własne oczy zobaczyć, że mądra maszyna nie zrozumiała — i że ono samo wciąż wie, że trzy plus cztery to siedem.

To właśnie czyni to narzędzie wartościowym w nauczaniu O SI w tym wieku. Od dzieci nie wymaga się zrozumienia, jak rozpoznawanie mowy działa w środku; prosi się je o obserwowanie go, o sprawienie, by działało lepiej dzięki wyraźnemu mówieniu i bliskości mikrofonu, oraz o zauważanie, kiedy zawodzi. W języku KI-Basiscurriculum jest to pierwszy krok od Verstehen (słucha maszyna, a nie człowiek) do Reflektieren (nie zawsze trafia, a ja mogę to sprawdzić). Nauczyciel utrzymuje matematykę na pierwszym planie: sednem zadania wciąż pozostaje samo zadanie, a sowa jest zabawnym partnerem, którego odpowiedzi dziecko uczy się sprawdzać.
Na tej lekcji dzieci przewidują, czy sowa je usłyszy, próbują, patrzą, co pokazuje, i rozmawiają o tym, dlaczego czasem się myli — to prosta, dostosowana do wieku wersja cyklu przewiduj → spróbuj → sprawdź → porozmawiaj stosowanego we wszystkich tych przykładach. Celem jest pierwsze, radosne doświadczenie SI jako pożytecznego pomocnika, który wciąż potrzebuje człowieka do sprawdzenia.

Plan lekcji 

Faza

Czas

Aktywność

Rozgrzewka

8 min

Na dywanie nauczyciel pyta, gdzie dzieci słyszały, jak maszyna „słucha” głosu (telefon, głośnik, tablet). Wspólnie ustalają prostą myśl: komputer może próbować nas usłyszeć, ale nie jest człowiekiem i może się mylić.

Pokaz

7 min

Nauczyciel raz demonstruje „Recheneule“ na dużym ekranie, mówiąc liczbę wyraźnie, a następnie mamrocząc, tak by klasa zobaczyła, jak sowa słyszy poprawnie, a potem błędnie. Klasa zgaduje dlaczego.

Próba (w parach)

20 min

W parach przy tablecie ze słuchawkami z mikrofonem dzieci pracują na zmianę: jedno mówi na głos wynik prostego działania (np. „trzy plus cztery” → mówi „siedem”), drugie obserwuje, jaką liczbę pokazuje sowa, i zaznacza na prostej karcie uśmiechniętą buźkę (usłyszała dobrze) lub buźkę obojętną (usłyszała źle).

Sprawdzenie

8 min

Przy każdym „usłyszała źle” para samodzielnie oblicza poprawny wynik i wspólnie decyduje: czy dziecko powiedziało to źle, czy sowa źle usłyszała? Zakreślają, kto popełnił błąd.

Rozmowa

7 min

Z powrotem na dywanie: Co pomogło sowie nas usłyszeć? (mówić wyraźnie, być blisko, być cicho). Kiedy sowa się myliła, czy my wciąż znaliśmy poprawną odpowiedź? Kto rządzi w tym działaniu – sowa czy my?

Pytania przewodnie: przewiduj → spróbuj → sprawdź → porozmawiaj

Pary przechodzą przez te krótkie rundy podczas fazy „Próba”. Sformułowania są proste, aby nauczyciel mógł je odczytać na głos; młodsze lub szybsze pary mogą zrobić więcej rund.

1.    Runda 1 – czy sowa mnie usłyszy?

2.    Runda 2 – kto popełnił błąd?

3.    Runda 3 (rozszerzenie) – celowo utrudnij zadanie:

Pytanie zamykające (do fazy rozmowy): Kiedy sowa pokazała błędną liczbę, czy my wciąż znaliśmy poprawną odpowiedź? Kto więc musi sprawdzić działanie – komputer czy my?

Kolejne pytanie: Sowa jest mądra, ale może źle usłyszeć. Gdzie jeszcze mądra maszyna mogłaby się w czymś pomylić – i co zawsze moglibyśmy zrobić, żeby to sprawdzić?

Materiały

2. Dobre Praktyki i Przykłady z Klasy

2.9 Programowanie: wsparcie w wybranych zadaniach

Nauka programowania bez pisania kodu przez SI

Przedmiot: Programowanie ·  Klasa: 9 (wiek 14–15) ·  Czas trwania: 1 lekcja podwójna (90 min) ·  SI: Wsparcie Z SI 

Kompetencje związane z SI (Ramy DUAL.AI.TEACHer) – poziom nauczyciela Przedmiotowe cele kształcenia – poziom ucznia

AF-TL-2b

(Podstawy i zastosowania SI × Nauczanie i uczenie się, poziom 2 – refleksyjne wdrażanie):

 

„Nauczyciele potrafią organizować elementy lekcji, które osadzają wykorzystanie SI w jasnych rolach pedagogicznych oraz strategiach weryfikacji elementów wyniku.”


 

AF-FC-2b

(Podstawy i zastosowania SI × Wspieranie kompetencji cyfrowych (SI) uczniów, poziom 2 – refleksyjne wdrażanie):

 

„Nauczyciele potrafią wdrażać wskazówki, które pomagają uczniom rozwijać praktyczne umiejętności w zakresie SI, dostosowując zadania do wcześniejszej wiedzy uczniów oraz dostępnych narzędzi SI.”

 

Po zakończeniu lekcji uczniowie potrafią:

  • wiedzieć, jak wykorzystywać SI do powtarzalnych lub pomocniczych zadań w programowaniu, takich jak formatowanie wcięć w kodzie czy pisanie komentarzy

  • poprosić model SI o zaproponowanie ulepszeń kodu bez podawania samego kodu, aby móc samodzielnie ocenić swoją wiedzę

  • krytycznie ocenić model SI, gdy pytają go, w jaki sposób zoptymalizowałby dany kod

Najważniejsze przesłanie: Uczniowie muszą znać podstawy programowania, jeśli chcą oceniać wyniki podawane przez model. Dlatego na pierwszych etapach nauki programowania uczniowie powinni wykorzystywać modele SI do zadań pomocniczych i powtarzalnych związanych z programowaniem, ale nie do tworzenia kodu. Mogą też prosić model o możliwe ulepszenia kodu, aby sprawdzić swoje umiejętności programistyczne.

imagen.png

Rys. 1: „Nauka programowania bez pisania kodu przez SI” (obraz wygenerowany przez SI, Google Gemini 3.6 Thinking)

Treść

Nauczanie programowania zmienia się w kontekście, w którym systemy SI potrafią generować, wyjaśniać i recenzować kod. Choć narzędzia te dają nowe możliwości uczenia się, stawiają też ważne wyzwanie edukacyjne: uczniowie potrzebują wystarczającej wiedzy o programowaniu, aby ocenić, czy podpowiedź wygenerowana przez SI jest poprawna, wydajna czy w ogóle istotna dla danego zadania. Bez podstawowego rozumienia pojęć programistycznych uczniowie mogą przyjmować błędne rozwiązania, przeoczać błędy lub nie rozpoznawać lepszych alternatyw. Z tego powodu nauka podstaw programowania pozostaje niezbędna, nawet gdy dostępne są narzędzia SI.


Na wstępnych kursach programowania SI powinna być traktowana jako narzędzie wspierające uczenie się, a nie jako zastępczy programista. Uczniowie mogą skutecznie wykorzystywać SI do zadań powtarzalnych lub prostych, które nie zmniejszają wysiłku poznawczego związanego z nauką programowania. Przykłady to formatowanie kodu i wcięć, generowanie komentarzy dokumentacyjnych, wyjaśnianie komunikatów o błędach, podsumowywanie reguł składni czy pomoc w zrozumieniu przeznaczenia określonych konstrukcji programistycznych. Takie zastosowania pozwalają uczniom skupić uwagę na leżącej u podstaw logice, algorytmach i procesach rozwiązywania problemów, które są rdzeniem kompetencji programistycznych.


Innym produktywnym zastosowaniem SI jest przegląd kodu. Zamiast prosić model SI o napisanie rozwiązania, uczniowie mogą najpierw napisać własny kod, a następnie poprosić model o wskazanie możliwych ulepszeń. SI może zaproponować czytelniejsze nazwy zmiennych, lepszą organizację kodu, mniejszą redundancję, większą czytelność lub alternatywne podejścia, które uczeń może ocenić samodzielnie. Zamienia to SI w partnera udzielającego informacji zwrotnej i pozwala uczniom porównać własne rozumowanie z zewnętrznymi podpowiedziami oraz ocenić mocne i słabe strony swoich rozwiązań.


Informacji zwrotnej wygenerowanej przez SI nie należy jednak przyjmować bezkrytycznie. Modele mogą zalecać zmiany zbędne, nieefektywne lub oparte na błędnych założeniach co do przeznaczenia kodu. Głównym celem tej lekcji jest zatem rozwijanie u uczniów umiejętności krytycznej oceny podpowiedzi SI. Uczniowie nauczą się pytać model SI nie tylko o to, jakie ulepszenia proponuje, ale także dlaczego uznaje te zmiany za korzystne. Porównując rozumowanie modelu z uznanymi zasadami programowania, uczniowie mogą ocenić, czy proponowana optymalizacja rzeczywiście ulepsza kod, czy stanowi jedynie inną decyzję projektową.


Ta lekcja traktuje SI jako narzędzie wspierające refleksję, samoocenę i poprawę jakości kodu, a nie jako generator kodu. Uczniowie ćwiczą pisanie własnych programów, wykorzystują SI do zadań pomocniczych, proszą o informację zwrotną na temat swojej pracy i krytycznie analizują jakość otrzymywanych odpowiedzi. Ostatecznym celem jest pomoc uczniom w tym, by stali się zarówno lepszymi programistami, jak i bardziej świadomymi użytkownikami systemów SI.


Plan lekcji

Faza Czas Aktywność
Wprowadzenie 10 min Nauczyciel przedstawia dwa krótkie rozwiązania tego samego problemu w kodzie: jedno napisane przez ucznia, drugie wygenerowane przez model SI. Uczniowie dyskutują, które rozwiązanie wydaje się czytelniejsze, wydajniejsze lub łatwiejsze do zrozumienia.
Wejście 10 min Nauczyciel przedstawia właściwe zastosowania SI w nauczaniu programowania, podkreślając różnicę między zadaniami pomocniczymi, przeglądem kodu i generowaniem kodu.
Eksploracja 15 min Uczniowie pracują w parach nad niewielkim zadaniem programistycznym i wskazują, które zadania można w uzasadniony sposób powierzyć asystentowi SI, a które powinny pozostać ich własną odpowiedzialnością.

Cykl ulepszania

35 min Uczniowie piszą własne rozwiązanie i przechodzą 2–3 rundy cyklu napisz → zapytaj → oceń → popraw, wykorzystując SI wyłącznie do zadań pomocniczych i propozycji ulepszeń.
Refleksja 20 min Dyskusja z całą klasą o przydatności i ograniczeniach informacji zwrotnej od SI, skupiona na tym, jak uczniowie ustalali, czy podpowiedzi były wartościowe.

 

Pytania przewodnie: stopniowe zwiększanie złożoności

Uczniowie wykonują tyle rund, ile pozwoli czas w trakcie 35-minutowego cyklu ulepszania. Każda runda przebiega według tego samego czterostopniowego procesu: napisz → zapytaj → oceń → popraw

  1. Runda 1 — wykorzystanie SI do zadań pomocniczych
    • Napisz: wykonaj samodzielnie krótkie zadanie programistyczne.
    • Zapytaj: poproś SI o wsparcie w zadaniu niezwiązanym z samym programowaniem, na przykład o:
      • poprawę wcięć,
      • wygenerowanie komentarzy,
      • wyjaśnienie komunikatu o błędzie,
      • opisanie tego, co robi dana funkcja.
    • Oceń: czy wyjaśnienie SI trafnie opisuje kod? Czy wygenerowane komentarze są przydatne i zrozumiałe?
    • Popraw: wprowadź pomocne zmiany, upewniając się, że logika programu pozostaje w pełni twoim własnym dziełem.
  2. Runda 2 — proszenie o propozycje ulepszeń
    • Napisz: przejrzyj ukończony program i wskaż fragmenty, które można by ulepszyć.
    • Zapytaj: poproś o propozycje ulepszeń, nie pozwalając SI przepisać kodu. Na przykład:

„Zaproponuj trzy sposoby poprawienia czytelności i łatwości utrzymania tego programu, ale nie podawaj kodu zastępczego.”

    • Oceń: które propozycje wydają się wartościowe? Które miałyby niewielki wpływ na program?
    • Popraw: wprowadź ulepszenia, z którymi się zgadzasz, i sprawdź, czy program nadal działa poprawnie.
  1. Runda 3 — krytyczna ocena porad dotyczących optymalizacji
    • Napisz: wybierz fragment swojego kodu, który wykonuje powtarzalne zadanie lub korzysta z pętli.
    • Zapytaj: poproś o propozycje optymalizacji i wymagaj od SI uzasadnienia jej zaleceń.

Przykładowe polecenie (prompt):

„Wyjaśnij, jak można zoptymalizować ten kod i dlaczego każda proponowana optymalizacja poprawiłaby wydajność lub czytelność. Nie podawaj zoptymalizowanego kodu.”

 

Pytania do refleksji:

 

Pytanie zamykające (do fazy refleksji):

Ile wiedzy o programowaniu potrzeba, aby stwierdzić, czy podpowiedź SI rzeczywiście ulepsza program, i jakie ryzyko powstaje, gdy użytkownicy polegają na poradach wygenerowanych przez SI, sami nie rozumiejąc kodu?

 

Materiały

2. Dobre Praktyki i Przykłady z Klasy

2.10 Plastyka: odciski palców stylu

Czyj pędzel, czyj głos? Rozpoznawanie cech charakterystycznych twórców za pomocą SI

Przedmiot: Plastyka i literatura  ·  Klasa: 9 (wiek 14–15)  ·  Czas trwania: 1 lekcja podwójna  ·  SI: Uczenie się Z SI

 

Treść

Historycy sztuki i literaturoznawcy rzadko mają bezpośredni dostęp do intencji twórcy. Zamiast tego rekonstruują „styl” artysty, porównując wiele dzieł: pociągnięcia pędzla, kolor i kompozycję w malarstwie albo dobór słów, obrazowanie i rytm w poezji. Jeden obraz czy wiersz może wskazywać na pewne upodobanie, ale dopiero wzorzec powracający w kilku dziełach zamienia to upodobanie w prawdziwą cechę charakterystyczną.

Vincent van Gogh jest przydatnym studium przypadku. W ciągu około dekady intensywnej pracy wypracował natychmiast rozpoznawalne cechy: gruby impast, krótkie, kierunkowe pociągnięcia pędzla oraz odważne, często dopełniające się kontrasty barwne. Ponieważ cechy te powracają w setkach obrazów, badacze mogą je opisywać jako rzeczywistą sygnaturę stylistyczną, a nie jednorazowy wybór.

Narzędzia SI do generowania obrazów potrafią dziś w kilka sekund tworzyć przekonujące obrazy „w stylu van Gogha”. Takie obrazy często odtwarzają rozpoznawalne znaki powierzchowne — wirujące pociągnięcia pędzla, żółto-niebieskie palety — ale mogą też przejaskrawiać lub wymyślać szczegóły, które nigdy nie były charakterystyczne dla jego rzeczywistej twórczości, albo wplatać cechy zapożyczone od całkiem innych artystów.

Ten sam problem pojawia się w przypadku tekstu. Narzędzia SI do pisania potrafią imitować poetkę taką jak Emily Dickinson, odtwarzając znaki powierzchowne — pauzy, rymy niedokładne, krótkie wersy — niekoniecznie uchwytując przy tym cechy tematyczne i strukturalne, które badacze uznają za naprawdę charakterystyczne dla jej twórczości.

Uczniowie muszą zatem rozróżniać trzy poziomy pewności:

Cecha – to, co da się bezpośrednio zaobserwować w jednym konkretnym dziele.

Wzorzec – cecha, która powraca w kilku potwierdzonych dziełach i którą można zasadnie nazwać charakterystyczną.

Przypisanie – twierdzenie o znaczeniu, wpływie lub autorstwie, które wykracza poza to, co same dzieła mogą potwierdzić.

Plan lekcji

Faza

Czas

Aktywność

Wprowadzenie

10 min

Pokaż dwa wygenerowane przez SI obrazy „w stylu van Gogha” — jeden bliższy jego rzeczywistej technice, drugi przejaskrawiony. Uczniowie zgadują, który jest wierniejszy, i dyskutują dlaczego.

Wejście

10 min

Wprowadź rozróżnienie cecha – wzorzec – przypisanie i przećwicz je na szczególe autentycznego obrazu.

Eksploracja

15 min

Uczniowie analizują 3–4 autentyczne dzieła jednego twórcy bez udziału SI i zapisują, które cechy rzeczywiście powracają.

Adaptacja 1

20 min

SI pisze opis stylu na podstawie jednego dzieła lub ograniczonego polecenia. Uczniowie wskazują, gdzie wymyśla ona cechy nieznajdujące potwierdzenia.

Adaptacja 2

20 min

Dodane zostają kolejne dzieła oraz surowsze polecenie wymagające podawania źródeł. Uczniowie porównują oba opisy stylu.

Refleksja

25 min

Uczniowie przenoszą ten sam schemat krytycznego myślenia na sporny przypadek uwierzytelnienia lub przypisania dzieła sztuki.

 

Pytania przewodnie: od wyniku SI do gotowej aktywności lekcyjnej

•     Wprowadzenie — pokaż dwa wygenerowane przez SI obrazy „w stylu van Gogha” (jeden bliższy jego rzeczywistej technice, drugi przejaskrawiony i stereotypowy):

◦     Pytanie do dyskusji: „Co sprawia, że wygląda to jak prawdziwy van Gogh?”

◦     Przedstaw problem: „Skąd wiemy, które szczegóły stylistyczne są rzeczywiście charakterystyczne dla tego twórcy?” Kluczowa zasada tej lekcji (porównywanie wielu autentycznych dzieł)

◦     Obserwowalna cecha → powracający wzorzec → przypisanie lub interpretacja

•     Wejście — uważne przyjrzenie się autentycznemu dziełu (np. szczegółowi „Gwiaździstej nocy” lub strofie wiersza Emily Dickinson):

◦     Podaj twierdzenia o dziele, które trzeba przypisać do kategorii cecha, wzorzec, przypisanie. Przykład:

◦     Na tym obrazie widoczne są krótkie, urywane pociągnięcia pędzla – cecha

◦     Van Gogh regularnie stosował krótkie, kierunkowe pociągnięcia pędzla w swoich późnych dziełach – wzorzec

◦     Używał tych pociągnięć pędzla, aby wyrazić swój wewnętrzny niepokój emocjonalny – przypisanie

•     Eksploracja — praca w grupach. Analiza autentycznych dzieł:

3–4 dzieła tego samego twórcy, na przykład:

A) Dwie lub trzy reprodukcje obrazów z tego samego okresu twórczości artysty.

B) Zbliżenia lub szczegóły pokazujące sposób malowania albo charakter pisma.

C) Krótkie notatki o technice lub biografii z muzeum albo ze źródła literackiego.

D) Kontrastowe dzieło innego malarza lub poety, do porównania.

Uczniowie wypełniają kartę pracy dla każdego dzieła, odpowiadając na pytania: Jakie cechy obserwujemy? Jakie wzorce powracają w kolejnych dziełach? Co pozostaje wyłącznie naszą interpretacją?

•     SI pisze opis stylu:

Polecenie używane przez uczniów: Wyłącznie na podstawie tego jednego obrazu lub wiersza opisz w około 150 słowach charakterystyczny styl twórcy. Wymień tylko cechy, które są faktycznie widoczne lub obecne w dziele.

Uczniowie oznaczają w odpowiedzi SI:

◦     Cecha

◦     Uzasadniony wzorzec

◦     Bez potwierdzenia / przypisanie

•     SI poprawia swoją pracę, korzystając z większej liczby dowodów:

Ulepszone polecenie: Popraw opis stylu, korzystając ze źródeł A–D. Po każdym twierdzeniu stylistycznym podaj konkretne dzieło, które je potwierdza, na przykład [Dzieło B]. Jeśli twierdzenie jest szerszym wzorcem wywiedzionym z kilku dzieł, napisz [Wzorzec]. Usuń każde twierdzenie, którego nie da się potwierdzić.

Porównajcie:

Wersja 1 → Wersja 2

Znajdźcie:

◦     jeden szczegół, który stał się dokładniejszy;

◦     jeden szczegół, który SI usunęła;

◦     jedną nową cechę potwierdzoną dowodami;

◦     jedno twierdzenie, które nadal wymaga zakwestionowania.

•     Refleksja / transfer wiedzy

Pokaż krótki, odpowiedni dla klasy przykład spornego przypadku uwierzytelnienia dzieła sztuki lub przypisania autorstwa wiersza.

Pytanie do dyskusji:

◦     Co w świetle kluczowych zasad z tej lekcji jest tu cechą, co wzorcem, a co przypisaniem?

◦     Jeśli wygenerowany przez SI pastisz skutecznie imituje powierzchnię stylu, czy to znaczy, że uchwycił rzeczywiste cechy twórcy?

Końcowa refleksja indywidualna:

Uczniowie dokończają zdania:

1.   Cecha stylistyczna staje się prawdziwą „cechą charakterystyczną”, gdy…

2.   Zanim zaufam opisowi stylu twórcy podanemu przez SI, muszę…

3.   SI potrafi imitować powierzchnię stylu, ale…

Materiały

•     Projektor / tablica interaktywna z głośnikami.

•     Dwa wygenerowane przez SI obrazy „w stylu…”, na fazę wprowadzenia.

•     Zbliżenie lub fragment autentycznego dzieła wybranego twórcy.

•     Mini karta pracy cecha–wzorzec–przypisanie.

•     Zestaw źródeł: 3–4 autentyczne dzieła (reprodukcje lub teksty wierszy) oraz krótkie notatki o technice lub biografii.

•     Karta pracy do analizy źródeł.

•     Urządzenia uczniów z dostępem do zatwierdzonego narzędzia generatywnej SI (tekst i/lub obraz).

•     Karty pracy z poleceniami dla SI i porównaniem, do rundy 1 i 2.

•     Przykład spornego przypadku uwierzytelnienia lub przypisania, na fazę refleksji.

2. Dobre Praktyki i Przykłady z Klasy

2.11 Technika: zaufaj, ale sprawdź obwód

Czy to naprawdę działa? Porównanie wyjaśnień obwodu generowanych przez SI z rzeczywistymi pomiarami

Przedmiot: Fizyka / technika (podstawy techniki)  ·  Klasa: 8 (wiek 13–14)  ·  Czas trwania: 1 lekcja podwójna  ·  SI: Uczenie się Z SI

 

Treść

Inżynierowie i fizycy nigdy nie ufają po prostu schematowi obwodu ani pisemnemu wyjaśnieniu, jak on działa. Zamiast tego budują go, mierzą i obliczają oczekiwane wartości od podstaw — z prawa Ohma i praw Kirchhoffa. Schemat może wyglądać na papierze całkowicie poprawnie, ale tylko rzeczywisty pomiar potwierdza, czy prąd faktycznie płynie tak, jak się twierdzi.

Prosty obwód szeregowy — bateria, rezystor i dioda LED — jest przydatnym studium przypadku. Prawo Ohma (V = I × R) przewiduje dokładnie, jaki prąd powinien płynąć przy danym napięciu i oporze. Ponieważ rzeczywiste zachowanie elementów może się nieco różnić (tolerancja, opór wewnętrzny, temperatura), zmierzony prąd jest zwykle bliski obliczonej wartości przewidywanej, ale nie zawsze jej równy — co samo w sobie jest cenną lekcją o różnicy między modelem a rzeczywistością.

Narzędzia SI potrafią dziś w kilka sekund wygenerować schematy obwodów i wyjaśnienia ich działania. Wyjaśnienia te często brzmią płynnie i pewnie, a nawet mogą zawierać pełne obliczenie z prawa Ohma — ale mogą też zawierać rzeczywiste błędy: nieprawidłową wartość rezystora, przerwaną lub niekompletną pętlę, element podłączony z odwrotną polaryzacją albo prawdopodobnie brzmiące, lecz fizycznie niemożliwe twierdzenie o przepływie prądu.

To dobrze udokumentowana słabość: modele językowe nie są kalkulatorami i mogą tworzyć technicznie brzmiące wyjaśnienia, które nie wytrzymują próby, gdy obwód zostanie faktycznie zbudowany i przetestowany. Pewny ton nie jest dowodem na to, że twierdzenie techniczne jest poprawne.

Uczniowie muszą zatem rozróżniać trzy poziomy pewności:

Pomiar – wartość, którą multimetr rzeczywiście wskazuje na zbudowanym, rzeczywistym obwodzie.

Obliczenie – wartość przewidziana z praw Ohma i Kirchhoffa na podstawie znanych wartości elementów.

Twierdzenie – to, co narzędzie SI mówi o zachowaniu obwodu i co trzeba sprawdzić względem dwóch poprzednich, zanim można mu zaufać.

Plan lekcji

Faza

Czas

Aktywność

Wprowadzenie

10 min

Pokaż wygenerowane przez SI wyjaśnienie prostego obwodu z diodą LED, które zawiera ukryty błąd (np. nieprawidłową wartość rezystora). Uczniowie zgadują, czy jest ono poprawne, i uzasadniają odpowiedź.

Wejście

10 min

Wprowadź rozróżnienie pomiar – obliczenie – twierdzenie i przećwicz prawo Ohma na prostym opracowanym przykładzie.

Eksploracja

15 min

Uczniowie budują prosty obwód szeregowy na płytce stykowej i mierzą napięcie, prąd oraz opór bez udziału SI.

Adaptacja 1

20 min

SI przewiduje lub wyjaśnia zachowanie obwodu wyłącznie na podstawie schematu lub opisu. Uczniowie porównują jej twierdzenia z własnymi pomiarami i obliczeniami.

Adaptacja 2

20 min

Uczniowie podają SI dokładne wartości elementów i wymagają obliczenia z prawa Ohma krok po kroku. Porównują dwie odpowiedzi SI.

Refleksja

25 min

Uczniowie przenoszą ten sam nawyk weryfikacji na inną dziedzinę, na przykład na oparty na SI kalkulator sprawności fizycznej lub zdrowia.

 

Pytania przewodnie: od wyniku SI do gotowej aktywności lekcyjnej

•     Wprowadzenie — pokaż wygenerowane przez SI wyjaśnienie prostego obwodu z diodą LED zawierające ukryty błąd (np. wartość rezystora zbyt małą, by ochronić diodę LED):

◦     Pytanie do dyskusji: „Czy to wyjaśnienie brzmi poprawnie? Jak właściwie moglibyśmy to sprawdzić?”

◦     Przedstaw problem: „Wyjaśnienie może brzmieć pewnie i wciąż być błędne — co dowiodłoby jego poprawności lub błędności?” Kluczowa zasada tej lekcji (pomiar ważniejszy niż pewne sformułowania)

◦     Pomiar → obliczenie → twierdzenie (do sprawdzenia)

•     Wejście — przykład opracowany na prostym obwodzie szeregowym (bateria, rezystor, dioda LED):

◦     Podaj twierdzenia o obwodzie, które trzeba przypisać do kategorii pomiar, obliczenie, twierdzenie. Przykład:

◦     Multimetr wskazuje prąd 9 mA przepływający przez obwód – pomiar

◦     Prawo Ohma przewiduje 9,1 mA dla tych wartości elementów – obliczenie

◦     SI twierdzi, że ten obwód „będzie działał niezawodnie w każdej konfiguracji” – twierdzenie (do weryfikacji)

•     Eksploracja — praca w grupach. Budowa i pomiar rzeczywistego obwodu:

Materiały i kroki dla każdej grupy, na przykład:

A) Schemat obwodu przedstawiający baterię, jeden rezystor i jedną diodę LED połączone szeregowo.

B) Płytka stykowa, przewody połączeniowe i wymienione elementy.

C) Multimetr i krótka instrukcja, jak mierzyć napięcie, prąd i opór.

D) Tabela kodów barwnych rezystorów oraz wartość napięcia przewodzenia diody LED.

Uczniowie wypełniają kartę pracy, odpowiadając na pytania: Co mierzymy? Co przewiduje prawo Ohma? Gdzie oba wyniki się różnią i jak bardzo?

•     SI przewiduje lub wyjaśnia obwód:

Polecenie używane przez uczniów: Mając obwód z baterią 9 V, rezystorem 470 Ω i czerwoną diodą LED połączonymi szeregowo, wyjaśnij, jaki prąd będzie płynął i dlaczego. Pokaż swoje rozumowanie.

Uczniowie oznaczają w odpowiedzi SI:

◦     Zgadza się z naszym pomiarem

◦     Zgadza się z naszym obliczeniem

◦     Nieuzasadnione / wymaga sprawdzenia

•     SI poprawia swoją pracę według surowszych wymagań:

Ulepszone polecenie: Przelicz prąd krok po kroku, korzystając z prawa Ohma, podając wzór i każdą podstawioną wartość. Wymień wszystkie założenia dotyczące spadku napięcia przewodzenia diody LED i zaznacz wszystko, co wymagałoby pomiaru w celu potwierdzenia.

Porównajcie:

Wersja 1 → Wersja 2

Znajdźcie:

◦     jedną wartość, która stała się dokładniejsza;

◦     jedno założenie, które SI wyraziła wprost;

◦     jedną wartość, która teraz zgadza się z waszym pomiarem;

◦     jedno twierdzenie, które nadal wymaga niezależnego sprawdzenia.

•     Refleksja / transfer wiedzy

Pokaż krótki, odpowiedni dla klasy przykład wygenerowanego przez SI obliczenia dotyczącego sprawności fizycznej, żywienia lub zdrowia (np. „twoje zalecane dzienne spożycie kalorii wynosi…”).

Pytanie do dyskusji:

◦     Co w tym przykładzie jest pomiarem, co obliczeniem, a co twierdzeniem — w świetle kluczowych zasad z tej lekcji?

◦     Jeśli odpowiedź SI brzmi pewnie i zawiera poprawnie wyglądające wzory, czy to znaczy, że wynik jest wiarygodny?

Końcowa refleksja indywidualna:

Uczniowie dokończają zdania:

1.   Twierdzenie techniczne staje się wiarygodne, gdy…

2.   Zanim zaufam wyjaśnieniu SI dotyczącemu działania czegoś, muszę…

3.   SI może mówić o procesie technicznym bardzo pewnie, ale…

Materiały

•     Projektor / tablica interaktywna.

•     Płytki stykowe, przewody połączeniowe, rezystory, diody LED i koszyki bateryjne (jeden zestaw na grupę).

•     Multimetry (jeden na grupę).

•     Tabela kodów barwnych rezystorów i karta z wartościami napięcia przewodzenia diod LED.

•     Mini karta pracy pomiar–obliczenie–twierdzenie.

•     Karta pracy ze schematem obwodu i karta pracy do analizy źródeł.

•     Wygenerowane przez SI wyjaśnienie obwodu zawierające zamierzony błąd, na fazę wprowadzenia.

•     Urządzenia uczniów z dostępem do zatwierdzonego narzędzia generatywnej SI.

•     Karty pracy z poleceniami dla SI i porównaniem, do rundy 1 i 2.

•     Przykład wygenerowanego przez SI obliczenia dotyczącego sprawności fizycznej lub zdrowia, na fazę refleksji.

3. Pedagogiczne Ramy Kompetencji w Zakresie SI

Ramy Kompetencji DUAL.AI.TEACHer są wynikiem analizy porównawczej ram DigCompEdu, AI Pioneers oraz ram kompetencji SI dla nauczycieli UNESCO. Zamiast tworzyć nowe struktury od podstaw, wybrano istniejące ramy, które już obejmują wzajemnie uzupełniające się wymiary kompetencji zawodowych nauczycieli w erze SI.

3. Pedagogiczne Ramy Kompetencji w Zakresie SI

3.1 Wymiary

Ramy DUAL.AI.TEACHer są zbudowane jako kompleksowa dwuwymiarowa macierz, opisująca łącznie 18 kluczowych kompetencji, z których każda wyłania się z przecięcia dwóch głównych wymiarów, wokół których zorganizowane są te ramy. Wymiar poziomy definiuje główne obszary charakteryzujące praktyki nauczania i uczenia się, obejmując pedagogiczny wymiar ram. Wymiar pionowy odwzorowuje kluczowe aspekty SI, odzwierciedlając technologiczne i etyczne oblicza jej integracji z kontekstami edukacyjnymi.

Taka struktura pozwala ramom systematycznie łączyć kompetencje pedagogiczne z wiedzą i umiejętnościami związanymi z SI, zapewniając, że każda zidentyfikowana kompetencja odzwierciedla zarówno cel edukacyjny, jak i konkretny wymiar rozumienia lub stosowania SI.

Wymiar poziomy DUAL.AI.TEACHer

Wymiar poziomy ram czerpie z ram DigCompEdu, które określają kluczowe obszary charakteryzujące praktyki nauczania i uczenia się w środowiskach cyfrowych. Obszary te obejmują podstawowe działania pedagogiczne prowadzone przez nauczycieli – od zaangażowania zawodowego i zarządzania zasobami cyfrowymi, przez projektowanie i prowadzenie doświadczeń edukacyjnych, po wdrażanie strategii oceniania oraz wspieranie aktywnego zaangażowania i kompetencji cyfrowych uczniów.

Uwzględniając ramy AI Pioneers Framework, Ramy DUAL.AI.TEACHer przejmują ten wymiar, aby osadzić kompetencje związane z SI w szerszych praktykach pedagogicznych już uznanych za niezbędne dla skutecznego nauczania, dopasowując je do tych praktyk. Wymiar poziomy jest zorganizowany w następujących sześciu obszarach:

Wymiar pionowy DUAL.AI.TEACHer

Wymiar pionowy ram czerpie z ram kompetencji SI dla nauczycieli UNESCO, które pierwotnie określają pięć kluczowych aspektów kompetencji w zakresie SI istotnych dla praktyki nauczania: nastawienie skoncentrowane na człowieku, etykę SI, podstawy i zastosowania SI, pedagogikę SI oraz SI w rozwoju zawodowym.

Na potrzeby Ram DUAL.AI.TEACHer te pięć aspektów zredukowano do trzech. Dwa z pierwotnych obszarów, mianowicie pedagogikę SI oraz SI w rozwoju zawodowym, usunięto, ponieważ wymiar poziomy już zawierał te obszary, choć w nieco innej formie. Dodatkowo, przecięcie wymiaru pionowego i poziomego generowało nadmiarowe kompetencje. Zdecydowano więc o ich wykluczeniu z osi pionowej, aby uniknąć nakładania się i zapewnić spójność koncepcyjną całej macierzy.

Wymiar pionowy obejmuje następujące trzy aspekty:

Spośród trzech zachowanych aspektów, dwa uznaje się za aspekty przekrojowe SI (nastawienie skoncentrowane na człowieku i etyka SI), ponieważ nie dotyczą one konkretnego obszaru przedmiotowego, lecz reprezentują wymiary transwersalne, wpływające na cały zakres praktyk nauczania, wartości i postępowania zawodowego związanego z SI, i przenikające go. Trzeci aspekt (podstawy i zastosowania SI) uznaje się za aspekt treściowy (specyficzny) SI, ponieważ dotyczy wiedzy koncepcyjnej i konkretnych umiejętności technicznych, które nauczyciele muszą zdobyć, aby rozumieć, wybierać i stosować narzędzia SI w swojej praktyce nauczania.

3.1-A-competence-matrix-revised.jpg

Rys. 1: „Wymiary Ram DUAL.AI.TEACHer” (diagram wygenerowany przez SI, OpenAI Codex)

3. Pedagogiczne Ramy Kompetencji w Zakresie SI

3.2 Ramy Kompetencji DUAL.AI.TEACHer

Przecięcie wymiaru poziomego i pionowego macierzy daje zestaw osiemnastu kompetencji, z których każda stanowi konkretny punkt zbieżności między obszarem pedagogicznym a aspektem SI. Kompetencje te określają, co nauczyciele muszą wiedzieć, rozumieć i potrafić zrobić, aby skutecznie i odpowiedzialnie integrować SI w swojej praktyce dydaktycznej, łącząc kompetencje pedagogiczne z wartościami, świadomością etyczną oraz wiedzą techniczną wymaganą w środowisku edukacyjnym opartym na SI.

DUAL.AI

Zaangażowanie zawodowe

Zasoby cyfrowe

Nauczanie i uczenie się

Ocenianie

Wzmacnianie uczniów

Rozwijanie kompetencji cyfrowych (SI) uczniów

Podejście skoncentrowane na człowieku

Nauczyciele potrafią zachować perspektywę skoncentrowaną na człowieku podczas korzystania z SI w komunikacji zawodowej, budowaniu sieci kontaktów oraz rozwoju instytucjonalnym i zawodowym.

Nauczyciele potrafią zapewnić nadzór człowieka i sprawczość uczniów w procesach wspieranych przez SI, dotyczących wyboru, tworzenia i oceny zasobów cyfrowych.

Nauczyciele potrafią utrzymać sprawczość uczniów, relacje międzyludzkie oraz osąd nauczyciela w centrum nauczania i uczenia się wspieranego przez SI.

Nauczyciele potrafią zapewnić odpowiedzialność człowieka i sprawiedliwość w procesach oceniania wspomaganych przez SI.

Nauczyciele potrafią wykorzystywać SI do uwzględniania różnorodnych potrzeb i stylów uczenia się, stawiając godność ludzką, równość oraz prawo do edukacji w centrum każdej praktyki włączającej.

Nauczyciele potrafią modelować i kształtować postawy skoncentrowane na człowieku wobec SI jako część rozwoju refleksyjnych kompetencji cyfrowych (SI) uczniów.

Etyka SI

Nauczyciele potrafią stosować zasady etyczne i świadomość regulacyjną we własnym wykorzystaniu SI w praktyce zawodowej i kontekstach instytucjonalnych.

Nauczyciele potrafią identyfikować i ograniczać ryzyka etyczne w zasobach edukacyjnych generowanych lub wspomaganych przez SI.

Nauczyciele potrafią uwzględniać rozumowanie etyczne w decyzjach dotyczących tego, czy i jak wykorzystywać SI w strategiach nauczania i działaniach edukacyjnych.

Nauczyciele potrafią zapewnić, że praktyki oceniania wspomagane przez SI spełniają standardy sprawiedliwości, przejrzystości i zgodności z prawem, co pozwala im refleksyjnie podchodzić do informacji zwrotnej i doskonalić swoje praktyki oceniania.

Nauczyciele potrafią uwzględniać etyczne aspekty personalizacji opartej na SI, w tym ryzyka nierówności, niewłaściwego wykorzystania danych i wykluczenia.

Nauczyciele potrafią kształcić uczniów w zakresie odpowiedzialnego, krytycznego i etycznie świadomego korzystania z technologii SI.

Podstawy i zastosowania SI

Nauczyciele potrafią wykorzystywać podstawową wiedzę o SI, aby podejmować świadome decyzje zawodowe, krytycznie korzystać z narzędzi SI oraz prowadzić rozwój zawodowy związany z SI w kontekstach instytucjonalnych.

Nauczyciele potrafią krytycznie wybierać i wykorzystywać narzędzia SI do tworzenia, adaptowania i ulepszania cyfrowych zasobów edukacyjnych w oparciu o techniczne zrozumienie systemów SI.

Nauczyciele potrafią wykorzystywać zrozumienie działania systemów SI, aby podejmować świadome, krytyczne decyzje dotyczące integracji SI w nauczaniu i uczeniu się, doskonaląc własne praktyki dydaktyczne oraz podejścia do projektowania procesu nauczania.

Nauczyciele potrafią wykorzystywać wiedzę o SI do projektowania, wdrażania i ewaluacji skutecznych oraz sprawiedliwych praktyk oceniania wspomaganych przez SI, systematycznie doskonaląc swoje praktyki oceniania.

Nauczyciele potrafią wybierać strategie pedagogiczne i narzędzia SI wspierające personalizację i włączanie, w oparciu o świadome zrozumienie zasad ich działania.

Nauczyciele potrafią budować u uczniów zrozumienie technologii SI oraz ich społecznych konsekwencji jako część rozwoju kompetencji w zakresie SI.

3. Pedagogiczne Ramy Kompetencji w Zakresie SI

3.3 Poziomy Progresji i Operatory

Uczynienie Rozwoju Kompetencji Możliwym do Śledzenia

18 kluczowych kompetencji ram DUAL.AI.TEACHer jest stosunkowo abstrakcyjnych i stanowi nadrzędną strukturę obszaru kompetencji. Aby ułatwić samoocenę lub ocenę przez innych oraz umożliwić śledzenie indywidualnego rozwoju kompetencji, każda z kluczowych kompetencji została zoperacjonalizowana poprzez obserwowalne cele uczenia się, zróżnicowane na trzech poziomach progresji.

Poziomy te opierają się na jednym z najpowszechniej stosowanych modeli w edukacji: zrewidowanej taksonomii Blooma (Anderson & Krathwohl, 2001; Krathwohl, 2002). Jej podstawowa idea jest prosta: procesy poznawcze rozwijają się od zapamiętywania i rozumienia, poprzez stosowanie i analizowanie, aż po ocenianie i tworzenie. To, co zmienia się z poziomu na poziom, to nie treść czy temat, lecz głębia poznawcza myślenia i działania, jaką nauczyciel może zaprezentować.

Poziomy Progresji i Operatory

Ta głębia poznawcza znajduje odzwierciedlenie w sformułowaniu celów uczenia się. Każdy cel zbudowany jest wokół czasownika (operatora) zaczerpniętego bezpośrednio z taksonomii (np. rozpoznaje, wdraża, poddaje krytyce). Operator wskazuje, czego oczekuje się od nauczyciela na danym poziomie, i sprawia, że cel uczenia się staje się konkretny i obserwowalny.

Poziom

W praktyce nauczyciele potrafią...

Procesy poznawcze (operatory)

Poziom 1

Świadomość Orientacyjna

rozwijać wstępną orientację zawodową, poznając czym jest SI, co potrafi i jaka jest stawka. Rozpoznają i przywołują kluczowe pojęcia i narzędzia związane z SI, podają przykłady, klasyfikują je oraz podsumowują własnymi słowami główne szanse i ryzyka.

Zapamiętywanie (rozpoznawanie, przywoływanie)

Podstawowe rozumienie (interpretowanie, podawanie przykładów, klasyfikowanie, podsumowywanie)

Poziom 2

Refleksyjne Wdrażanie

stosować i krytycznie oceniać praktyki związane z SI we własnym nauczaniu. Celowo wykorzystują narzędzia SI w lekcjach i ocenianiu, wyjaśniają i porównują różne podejścia oraz wyniki, porównują wyniki generowane przez SI z własnym osądem zawodowym oraz analizują korzyści, ograniczenia i leżące u ich podstaw założenia.

Zaawansowane rozumienie (wyjaśnianie, porównywanie)

Stosowanie (wykonywanie, wdrażanie)

Analizowanie (różnicowanie, organizowanie, przypisywanie)

Ocenianie (sprawdzanie, krytykowanie)

Poziom 3

Transformacyjne Przywództwo

odpowiedzialnie projektować i dalej rozwijać praktykę edukacyjną związaną z SI, przyjmując rolę przywódczą wykraczającą poza własną klasę. Oceniają praktyki związane z SI w oparciu o kryteria pedagogiczne i etyczne, tworzą nowe podejścia wzbogacone o SI oraz wspierają współpracowników i swoją instytucję w odpowiedzialnym wykorzystaniu SI.

Tworzenie (generowanie, planowanie, tworzenie/produkowanie)

Logika Stojąca za Poziomami

Poziomy stopniowo budują się jeden na drugim. Każdy wyższy poziom korzysta z procesów poznawczych poziomów poniżej niego. Jednak zgodnie z Krathwohlem (2002) jest to hierarchia rosnącej złożoności, a nie zbiór ściśle oddzielonych etapów. Sąsiadujące kategorie mogą się nakładać, a granice między poziomami są raczej płynne niż ostre.

Podczas gdy Poziom 1 zapewnia niezbędne podstawy, a Poziom 3 reprezentuje rozszerzoną rolę w zakresie innowacji i przywództwa zawodowego, Poziom 2 stanowi podstawowy wymiar docelowy dla nauczycieli. Wszyscy nauczyciele powinni być w stanie celowo integrować SI we własnej praktyce, oceniać jej wyniki, korzystając z własnego osądu zawodowego, oraz krytycznie i refleksyjnie podchodzić do jej pedagogicznych korzyści, ograniczeń i leżących u ich podstaw założeń. Poziom 2 opisuje zatem poziom kompetencji wymagany do świadomej, odpowiedzialnej i refleksyjnej praktyki nauczania w środowisku edukacyjnym kształtowanym przez SI.

3. Pedagogiczne Ramy Kompetencji w Zakresie SI

3.4 Cele Uczenia się DUAL.AI.TEACHer

Dla każdej z osiemnastu zidentyfikowanych kompetencji zdefiniowano zestaw trzech konkretnych celów uczenia się (a–c), aby przełożyć kompetencję na konkretne i praktyczne rezultaty. Cele te określają wiedzę, umiejętności i postawy, które nauczyciele powinni rozwinąć, aby osiągnąć odpowiednią kompetencję, dostarczając bardziej szczegółowego i praktycznego opisu tego, co w praktyce oznacza opanowanie danej kompetencji. 3.4-B-competency-card-EI-TL.jpg

Rys. 1: „Jak poruszać się po celach uczenia się” (diagram wygenerowany przez SI, OpenAI Codex)

Dzięki rozbiciu każdej kompetencji na jasno określone cele uczenia się na różnych poziomach, ramy DUAL.AI.TEACHer ułatwiają ich praktyczne zastosowanie w rozwoju zawodowym, projektowaniu szkoleń i samoocenie, oferując nauczycielom konkretny plan stopniowego budowania i wykazywania swoich kompetencji związanych z SI.

Poziom 1 – Świadomość Orientacyjna

POZIOM 1

Zaangażowanie zawodowe

Zasoby cyfrowe

Nauczanie i uczenie się

Ocenianie

Wzmacnianie uczniów

Rozwijanie kompetencji cyfrowych (SI) uczniów

Podejście skoncentrowane na człowieku

HM-PE-1a

Nauczyciele potrafią rozpoznawać typowe przypadki użycia SI w komunikacji zawodowej i budowaniu sieci kontaktów oraz sytuacje, w których pierwszeństwo musi mieć ludzki osąd, obecność lub budowanie relacji.

HM-PE-1b

Nauczyciele potrafią rozpoznawać własne potrzeby edukacyjne związane z SI oraz narzędzia wspierające ich ustawiczny rozwój zawodowy.

HM-PE-1c

Nauczyciele potrafią podsumować, w jaki sposób SI jest wykorzystywana w ich instytucji do angażowania interesariuszy i rozwoju organizacyjnego, w tym szanse i ryzyka, jakie stwarza dla sprawczości człowieka, inkluzywności i wartości edukacyjnych.

HM-DR-1a

Nauczyciele potrafią podsumować, w jaki sposób narzędzia SI mogą wspierać wybór, tworzenie, dostosowywanie i zarządzanie zasobami cyfrowymi, w tym które etapy wymagają nadzoru człowieka i osądu pedagogicznego.

HM-DR-1b

Nauczyciele potrafią rozpoznawać typowe kryteria jakości materiałów edukacyjnych generowanych lub wzbogaconych przez SI, w tym wskaźniki sygnalizujące, kiedy zasób wymaga weryfikacji przez człowieka.

HM-DR-1c

Nauczyciele potrafią interpretować, w jaki sposób sprawczość i autonomia uczniów mogą zostać zachowane lub osłabione przez zasoby generowane lub personalizowane przez SI, w tym kiedy uczniowie powinni być angażowani w decyzje dotyczące korzystania z zasobów.

HM-TL-1a

Nauczyciele potrafią rozpoznawać, spośród różnych sposobów wykorzystania SI w nauczaniu, które decyzje pedagogiczne muszą pozostać w rękach człowieka.

HM-TL-1b

Nauczyciele potrafią rozpoznawać sytuacje na lekcjach wspieranych przez SI, w których sprawczość uczniów, interakcja międzyludzka lub relacje nauczyciel–uczeń mogą zostać wzmocnione lub osłabione, wraz ze wskaźnikami sensownego pedagogicznie wykorzystania SI.

HM-TL-1c

Nauczyciele potrafią klasyfikować wykorzystanie SI w nauczaniu jako wspierające podejmowanie decyzji pedagogicznych albo je zastępujące, oraz określać konsekwencje tego dla odpowiedzialności i jakości uczenia się.

HM-A-1a

Nauczyciele potrafią rozpoznawać, spośród zastosowań SI w ocenianiu, które decyzje ewaluacyjne muszą pozostać odpowiedzialnością człowieka.

HM-A-1b

Nauczyciele potrafią rozpoznawać typowe ryzyka związane z ocenianiem wspomaganym przez SI dla sprawiedliwości, przejrzystości i dobrostanu uczniów, w tym sygnały wskazujące na konieczność weryfikacji wyników generowanych przez SI przez człowieka.

HM-A-1c

Nauczyciele potrafią klasyfikować SI w ocenianiu jako wsparcie dla osądu nauczyciela albo jego zastępstwo, oraz określać konsekwencje tego dla odpowiedzialności i zaufania uczniów.

HM-EL-1a

Nauczyciele potrafią rozpoznawać, w jaki sposób narzędzia SI mogą wspierać zróżnicowanych uczniów oraz które potrzeby uczniów mogą, a których nie mogą zaspokoić.

HM-EL-1b

Nauczyciele potrafią przywołać typowe ryzyka różnicowania wspieranego przez SI dla inkluzji i równości, w tym sygnały wskazujące, że narzędzie SI ogranicza, a nie poszerza możliwości ucznia.

HM-EL-1c

Nauczyciele potrafią interpretować, jak godność ludzka, równość i prawo do edukacji odnoszą się do wykorzystania SI w klasach inkluzywnych, w tym kiedy sprawczość i poczucie przynależności ucznia muszą mieć pierwszeństwo przed efektywnością lub standaryzacją.

HM-FC-1a

Nauczyciele potrafią rozpoznawać, co oznacza modelowanie skoncentrowanej na człowieku, krytycznie świadomej relacji z SI wobec uczniów, w tym w jaki sposób ich własne praktyki i wypowiedzi komunikują postawy wobec SI.

HM-FC-1b

Nauczyciele potrafią klasyfikować postawy wspierające refleksyjną kompetencję uczniów w zakresie SI oraz sytuacje w klasie, w których postawy te można kształtować.

HM-FC-1c

Nauczyciele potrafią rozpoznawać różnicę we własnym nauczaniu o SI między przekazywaniem wiedzy a kształtowaniem postaw skoncentrowanych na człowieku oraz konsekwencje tego dla ich roli jako nauczyciela.

Etyka SI

EI-PE-1a

Nauczyciele potrafią przywołać kluczowe zasady etyczne mające zastosowanie do ich własnego zawodowego wykorzystania SI oraz znaczenie każdej z tych zasad w kontekście zawodowym.

EI-PE-1b

Nauczyciele potrafią rozpoznawać ramy prawne i regulacyjne rządzące wykorzystaniem SI w komunikacji zawodowej, współpracy i rozwoju.

EI-PE-1c

Nauczyciele potrafią rozpoznawać sytuacje w swojej praktyce zawodowej, w których w grę wchodzi zasada etyczna lub wymóg regulacyjny.

EI-DR-1a

Nauczyciele potrafią przywołać typowe ryzyka etyczne w zasobach edukacyjnych generowanych lub wzbogaconych przez SI wraz z ich skutkami dla uczniów.

EI-DR-1b

Nauczyciele potrafią rozpoznawać ramy prawne i regulacyjne istotne dla zasobów generowanych przez SI oraz kiedy mają one zastosowanie.

EI-DR-1c

Nauczyciele potrafią klasyfikować źródła ryzyk etycznych wynikających ze stronniczości, nieścisłości lub niewłaściwego autorstwa SI w danym zasobie edukacyjnym.

EI-TL-1a

Nauczyciele potrafią przywołać zasady etyczne istotne dla wykorzystania SI w nauczaniu i uczeniu się, w tym ich konsekwencje dla wyborów dydaktycznych.

EI-TL-1b

Nauczyciele potrafią rozpoznawać kwestie etyczne specyficzne dla SI w klasie oraz sytuacje, w których pojawiają się one w scenariuszu lekcji.

EI-TL-1c

Nauczyciele potrafią podsumować etapy procesu rozumowania etycznego przy podejmowaniu decyzji, czy i jak wykorzystać SI na lekcji (decyzje oparte na zasadach w porównaniu z bezkrytycznym przyjęciem lub domyślnym odrzuceniem).

EI-A-1a

Nauczyciele potrafią przywołać główne ryzyka dotyczące sprawiedliwości w ocenianiu wspomaganym przez SI oraz sposób, w jaki każde z nich może wpływać na uczniów.

EI-A-1b

Nauczyciele potrafią rozpoznawać obowiązki w zakresie przejrzystości w ocenianiu wspomaganym przez SI, takie jak ujawnienie udziału SI, wyjaśnienie wyników oraz możliwość zakwestionowania przez uczniów decyzji lub zażądania ich weryfikacji przez człowieka.

EI-A-1c

Nauczyciele potrafią interpretować, dlaczego ocenianie edukacyjne jest traktowane jako obszar wysokiego ryzyka w ramach prawnych i regulacyjnych dotyczących SI w ocenianiu.

EI-EL-1a

Nauczyciele potrafią przywołać główne ryzyka etyczne personalizacji opartej na SI oraz sposób, w jaki każde z nich może wpływać na uczniów.

EI-EL-1b

Nauczyciele potrafią klasyfikować rodzaje danych uczniów wykorzystywanych przez personalizację opartą na SI oraz stopień ich wrażliwości.

EI-EL-1c

Nauczyciele potrafią interpretować, dlaczego spersonalizowana edukacyjna SI jest traktowana jako obszar wysokiego ryzyka w ramach prawnych i opartych na prawach człowieka.

EI-FC-1a

Nauczyciele potrafią przywołać kluczowe kwestie etyczne związane z SI istotne dla uczniów, w tym konsekwencje środowiskowe i dotyczące prywatności.

EI-FC-1b

Nauczyciele potrafią klasyfikować, które kwestie etyczne odpowiadają danemu etapowi edukacyjnemu, w sposób odpowiedni do wieku i kontekstu.

EI-FC-1c

Nauczyciele potrafią interpretować etycznie problematyczne wykorzystanie SI przez uczniów oraz wyjaśnić, dlaczego stanowi to kwestię etyczną, a nie jedynie naruszenie zasad.

Podstawy i zastosowania SI

AF-PE-1a

Nauczyciele potrafią podsumować podstawowe koncepcje działania współczesnych systemów SI oraz wskazać powszechnie stosowane narzędzia SI w zawodowej praktyce edukacyjnej.

AF-PE-1b

Nauczyciele potrafią podać przykłady istotnych kryteriów oceny narzędzia SI pod kątem zadania zawodowego.

AF-PE-1c

Nauczyciele potrafią interpretować, dlaczego ograniczenia danego narzędzia SI sprawiają, że jest ono niewłaściwym wyborem w typowych sytuacjach w ich pracy zawodowej.

AF-DR-1a

Nauczyciele potrafią podsumować podstawowe koncepcje działania głównych typów narzędzi SI wykorzystywanych do tworzenia zasobów, podając odpowiednie przykłady.

AF-DR-1b

Nauczyciele potrafią klasyfikować wiarygodność wyników dla wybranego typu narzędzia w odniesieniu do odpowiednich zadań, w tym błędy, których można uniknąć.

AF-DR-1c

Nauczyciele potrafią przywołać techniczne kryteria wyboru narzędzia SI do tworzenia zasobów oraz co każde z nich oznacza.

AF-TL-1a

Nauczyciele potrafią podsumować podstawowe koncepcje działania głównych typów systemów SI wykorzystywanych w nauczaniu, podając odpowiednie przykłady.

AF-TL-1b

Nauczyciele potrafią klasyfikować wiarygodność wyników dla wybranego typu narzędzia w kontekście swojej klasy, w tym błędy, których można uniknąć.

AF-TL-1c

Nauczyciele potrafią interpretować, jak techniczne zrozumienie SI wpływa na realistyczne decyzje dotyczące tego, czy, kiedy i jak włączyć SI do lekcji.

AF-A-1a

Nauczyciele potrafią podsumować podstawowe koncepcje działania głównych typów systemów SI wykorzystywanych w ocenianiu, podając typowe przykłady każdego z nich.

AF-A-1b

Nauczyciele potrafią klasyfikować, co dany typ narzędzia oceniającego faktycznie mierzy, czego nie jest w stanie zmierzyć oraz w jakich sytuacjach zwykle zawodzi.

AF-A-1c

Nauczyciele potrafią podać przykłady, dlaczego warto zadać określone pytania techniczne dotyczące narzędzia SI do oceniania.

AF-EL-1a

Nauczyciele potrafią podsumować podstawowe koncepcje działania głównych typów SI wykorzystywanych do personalizacji i inkluzji, wraz z typowymi przykładami.

AF-EL-1b

Nauczyciele potrafią klasyfikować, co dany typ narzędzia potrafi, a czego nie potrafi wiarygodnie wykonać, a także obszary, w których jego skuteczność może zawodzić w przypadku konkretnych grup uczniów.

AF-EL-1c

Nauczyciele potrafią klasyfikować, co narzędzie SI deklaruje, że mierzy lub robi, w porównaniu z tym, co faktycznie mierzy lub robi, w tym dlaczego to rozróżnienie ma znaczenie dla inkluzji.

AF-FC-1a

Nauczyciele potrafią podsumować podstawowe koncepcje SI, które uczniowie powinni rozumieć, wraz z przykładami odpowiednimi do wieku.

AF-FC-1b

Nauczyciele potrafią rozpoznawać techniczne ograniczenia obecnych systemów SI, które uczniowie powinni zrozumieć.

AF-FC-1c

Nauczyciele potrafią interpretować praktyczne umiejętności związane z SI, które powinni rozwijać uczniowie, oraz jak wygląda opanowanie każdej z nich na danym etapie edukacyjnym.


Poziom 2 – Refleksyjne Wdrażanie

POZIOM 2

Zaangażowanie zawodowe

Zasoby cyfrowe

Nauczanie i uczenie się

Ocenianie

Wzmacnianie uczniów

Rozwijanie kompetencji cyfrowych (SI) uczniów

Podejście skoncentrowane na człowieku

HM-PE-2a

Nauczyciele potrafią różnicować, w konkretnych sytuacjach komunikacji i budowania sieci kontaktów za pośrednictwem SI we własnej praktyce, kiedy stosować, dostosowywać lub rezygnować z SI na podstawie kryteriów skoncentrowanych na człowieku.

HM-PE-2b

Nauczyciele potrafią opracować osobisty plan rozwoju zawodowego wspierany przez SI, który integruje narzędzia SI z ich rutynami uczenia się, zachowując przy tym ich rozwój, autonomię i współpracę z innymi nauczycielami.

HM-PE-2c

Nauczyciele potrafią wyjaśniać zasady skoncentrowane na człowieku w dyskusjach instytucjonalnych lub grupach roboczych dotyczących SI, proponując zmiany w procedurach, politykach lub praktykach komunikacyjnych związanych z SI.

HM-DR-2a

Nauczyciele potrafią wdrażać zasoby generowane lub wzbogacone przez SI w swoim kontekście nauczania, zgodnie z kryteriami pedagogicznymi i skoncentrowanymi na człowieku.

HM-DR-2b

Nauczyciele potrafią porównywać narzędzia oparte na SI do tworzenia i wyboru zasobów cyfrowych, aby wybrać to najlepiej dopasowane do konkretnego celu dydaktycznego.

HM-DR-2c

Nauczyciele potrafią wdrażać sposoby angażowania uczniów w ocenę i wykorzystanie zasobów wzbogaconych przez SI, które wzmacniają sprawczość uczniów i jakość pedagogiczną.

HM-TL-2a

Nauczyciele potrafią prowadzić lekcje wspierane przez SI, w których to ich własny osąd pedagogiczny decyduje o tym, kiedy, jak i dlaczego wykorzystuje się SI, zachowując sprawczość uczniów i interakcję międzyludzką.

HM-TL-2b

Nauczyciele potrafią wyjaśnić wpływ wykorzystania SI na interakcję w klasie, uczestnictwo i procesy uczenia się, chroniąc znaczące interakcje nauczyciel–uczeń oraz relacje rówieśnicze za pomocą strategii dydaktycznych.

HM-TL-2c

Nauczyciele potrafią wdrażać sposoby kształtowania tego, jak SI jest wykorzystywana na lekcjach oraz w jaki sposób wzmacnia to sprawczość uczniów i jakość pedagogiczną.

HM-A-2a

Nauczyciele potrafią wdrażać narzędzia oceniania wspomaganego przez SI we własnej praktyce, opierając ostateczną decyzję ewaluacyjną na krytycznej analizie wyników narzędzi oraz na kryteriach pedagogicznych i skoncentrowanych na człowieku.

HM-A-2b

Nauczyciele potrafią sprawdzać oceny, analizy lub informacje zwrotne generowane przez SI pod kątem sprawiedliwości, dokładności i zgodności z celami uczenia się, dostosowując praktyki oceniania w celu ochrony równości i sensownego wsparcia uczniów.

HM-A-2c

Nauczyciele potrafią wyjaśnić uczniom i innym interesariuszom, w jaki sposób SI została wykorzystana w procesie oceniania oraz jaka była rola ludzkiego osądu w ostatecznym wyniku, w sposób zachowujący zaufanie i sprawczość uczniów.

HM-EL-2a

Nauczyciele potrafią wdrażać narzędzia SI wspierające uczniów o różnych zdolnościach, pochodzeniu i preferencjach, opierając swoje wybory na równości, godności i pedagogice inkluzywnej.

HM-EL-2b

Nauczyciele potrafią wyjaśnić, jak różnicowanie wspierane przez SI wpływa na uczestnictwo, autonomię i poczucie przynależności uczniów w ich własnej praktyce, chroniąc inkluzję i sensowne uczenie się każdego ucznia.

HM-EL-2c

Nauczyciele potrafią wdrażać sposoby angażowania uczniów, a w stosownych przypadkach również rodzin lub personelu wspierającego, w decyzje dotyczące personalizacji wspieranej przez SI, wzmacniając sprawczość uczniów, zaufanie i równość edukacyjną.

HM-FC-2a

Nauczyciele potrafią stosować w swojej widocznej praktyce działania związane z SI skoncentrowane na człowieku, opierając wybory na celach edukacyjnych i obywatelskich.

HM-FC-2b

Nauczyciele potrafią tworzyć sytuacje edukacyjne skłaniające uczniów do refleksji nad własnymi postawami, sprawczością i odpowiedzialnością wobec SI, jednocześnie wzmacniając ich krytyczne zaangażowanie.

HM-FC-2c

Nauczyciele potrafią organizować dialogi z uczniami na temat roli SI w ich życiu, szkole i społeczeństwie, przyczyniające się do świadomej sprawczości i odpowiedzialnego uczestnictwa w świecie przenikniętym przez SI.

Etyka SI

EI-PE-2a

Nauczyciele potrafią stosować zasady etyczne i wymogi regulacyjne w konkretnych decyzjach dotyczących własnego zawodowego wykorzystania SI, uzasadniając je w odniesieniu do rzetelności, przejrzystości, odpowiedzialności i zrównoważoności.

EI-PE-2b

Nauczyciele potrafią wnioskować oparte na zasadach odpowiedzi na dylematy etyczne pojawiające się w zaangażowaniu zawodowym za pośrednictwem SI.

EI-PE-2c

Nauczyciele potrafią wyjaśnić instytucjonalne normy dotyczące SI, praktyki oparte na zasadach etycznych oraz sposób, w jaki ich własne postępowanie przyczynia się do kultury zawodowej opartej na zaufaniu.

EI-DR-2a

Nauczyciele potrafią różnicować, jakie ryzyka etyczne występują w zasobach generowanych lub wzbogaconych przez SI w ich własnej praktyce oraz jak poważne jest każde z nich, stosując uporządkowane kryteria.

EI-DR-2b

Nauczyciele potrafią wdrażać konkretne strategie ograniczania ryzyk wynikających z zasobów generowanych przez SI.

EI-DR-2c

Nauczyciele potrafią w przejrzysty sposób wyjaśniać uczniom i współpracownikom udział SI oraz pozostałe ryzyka związane z danym zasobem, w sposób wzmacniający zaufanie i wspierający uczenie się.

EI-TL-2a

Nauczyciele potrafią stosować zasady etyczne w konkretnych decyzjach dotyczących wykorzystania SI we własnym nauczaniu, uzasadniając je w kategoriach korzyści pedagogicznej i ryzyka etycznego.

EI-TL-2b

Nauczyciele potrafią wnioskować oparte na zasadach, uzasadnione odpowiedzi na dylematy etyczne związane z SI w nauczaniu.

EI-TL-2c

Nauczyciele potrafią wyjaśnić uczniom i współpracownikom rozumowanie etyczne stojące za ich związanymi z SI wyborami dydaktycznymi, w sposób kształtujący kulturę klasy i zaufanie.

EI-A-2a

Nauczyciele potrafią krytycznie oceniać narzędzia i wyniki oceniania wspomaganego przez SI we własnej praktyce pod kątem standardów sprawiedliwości, przejrzystości i zgodności z prawem, odpowiednio dostosowując swoją praktykę.

EI-A-2b

Nauczyciele potrafią wdrażać praktyki przejrzystości we własnym ocenianiu, jednocześnie wzmacniając zaufanie i zrozumienie uczniów.

EI-A-2c

Nauczyciele potrafią wnioskować, jakie zmiany są potrzebne w ich praktyce oceniania na podstawie informacji zwrotnej wspomaganej przez SI, aby zapewnić sprawiedliwość.

EI-EL-2a

Nauczyciele potrafią krytycznie oceniać narzędzia i praktyki personalizacji oparte na SI w swoim kontekście pod kątem ryzyk niewłaściwego wykorzystania danych, dyskryminacji i ograniczenia programu nauczania.

EI-EL-2b

Nauczyciele potrafią wdrażać konkretne zabezpieczenia we własnej praktyce personalizacji, które chronią uczniów.

EI-EL-2c

Nauczyciele potrafią w przejrzysty sposób wyjaśniać uczniom i rodzinom, jak SI personalizuje uczenie się, jakie dane są wykorzystywane oraz jakie prawa mają uczniowie, wzmacniając zaufanie i równość.

EI-FC-2a

Nauczyciele potrafią wdrażać działania edukacyjne rozwijające rozumowanie etyczne uczniów w zakresie SI, uzasadniając dokonane wybory metodyczne.

EI-FC-2b

Nauczyciele potrafią opracowywać rozwiązania pomagające uczniom rozważać sprzeczne wartości, na podstawie założeń wynikających z rozumowania etycznego, jakie uczniowie wykazują podczas korzystania z SI.

EI-FC-2c

Nauczyciele potrafią dostrzegać możliwości edukacyjne w etycznie wątpliwym wykorzystaniu SI przez uczniów.

Podstawy i zastosowania SI

AF-PE-2a

Nauczyciele potrafią porównywać narzędzia SI do własnych zadań zawodowych, wykorzystując podstawową wiedzę o SI do wyboru narzędzi na podstawie ich możliwości i ograniczeń technicznych.

AF-PE-2b

Nauczyciele potrafią wprowadzać zmiany w sposobie korzystania z narzędzi SI, odzwierciedlające rzeczywiste działanie danego systemu i poprawiające jakość wyników.

AF-PE-2c

Nauczyciele potrafią wyjaśniać współpracownikom techniczne zagadnienia dotyczące narzędzi SI w przystępnym języku, przyczyniając się do świadomego dialogu koleżeńskiego na temat SI w praktyce zawodowej.

AF-DR-2a

Nauczyciele potrafią porównywać narzędzia SI do konkretnych zadań związanych z tworzeniem zasobów we własnej praktyce, aby wybrać narzędzia na podstawie ich możliwości i ograniczeń technicznych.

AF-DR-2b

Nauczyciele potrafią stosować strategie formułowania poleceń, iteracji i udoskonalania, aby uzyskać przydatne zasoby generowane przez SI.

AF-DR-2c

Nauczyciele potrafią wyjaśnić współpracownikom, kiedy dane narzędzie powinno zostać zastąpione innym narzędziem, podejściem lub zasobem niewykorzystującym SI.

AF-TL-2a

Nauczyciele potrafią porównywać narzędzia SI do konkretnych celów nauczania i uczenia się we własnej praktyce, aby wybrać narzędzia na podstawie ich możliwości i ograniczeń technicznych.

AF-TL-2b

Nauczyciele potrafią organizować elementy lekcji włączające wykorzystanie SI z jasno określonymi rolami pedagogicznymi oraz strategiami weryfikacji uzyskanych wyników.

AF-TL-2c

Nauczyciele potrafią wprowadzać zmiany w swoich podejściach do projektowania nauczania oraz wykorzystania narzędzi SI na podstawie ich technicznej skuteczności.

AF-A-2a

Nauczyciele potrafią porównywać narzędzia SI do konkretnych zadań oceniających we własnej praktyce, na podstawie technicznych możliwości, ograniczeń i wiarygodności danego narzędzia.

AF-A-2b

Nauczyciele potrafią wdrażać procesy oceniania łączące wyniki SI ze zorganizowaną weryfikacją człowieka, rozpoznając, kiedy wynik SI jest zbyt niewiarygodny.

AF-A-2c

Nauczyciele potrafią wprowadzać udoskonalenia w sposobie korzystania z narzędzi SI do oceniania na podstawie ich technicznej skuteczności.

AF-EL-2a

Nauczyciele potrafią porównywać narzędzia SI, uwzględniając ich możliwości i skuteczność techniczną w zakresie personalizacji, dostępności i inkluzji konkretnych uczniów.

AF-EL-2b

Nauczyciele potrafią wdrażać dostosowane konfiguracje narzędzi SI do inkluzywnego wykorzystania, skoncentrowane na uczniach, którzy najbardziej tego potrzebują.

AF-EL-2c

Nauczyciele potrafią rozróżniać, jak narzędzia SI faktycznie sprawdzają się w przypadku różnych uczniów w ich praktyce, zmieniając narzędzia lub łącząc SI z rozwiązaniami niewykorzystującymi SI.

AF-FC-2a

Nauczyciele potrafią organizować działania edukacyjne budujące pojęciowe zrozumienie uczniów w zakresie działania SI.

AF-FC-2b

Nauczyciele potrafią wdrażać wskazówki pomagające uczniom rozwijać praktyczne umiejętności związane z SI, dostosowując zadania do wcześniejszej wiedzy uczniów i dostępnych narzędzi SI.

AF-FC-2c

Nauczyciele potrafią wyjaśnić społeczne konsekwencje SI z perspektywy technicznej oraz sposoby, w jakie uczniowie mogą się z nimi mierzyć.


Poziom 3 – Transformacyjne Przywództwo

POZIOM 3

Zaangażowanie zawodowe

Zasoby cyfrowe

Nauczanie i uczenie się

Ocenianie

Wzmacnianie uczniów

Rozwijanie kompetencji cyfrowych (SI) uczniów

Podejście skoncentrowane na człowieku

HM-PE-3a

Nauczyciele potrafią planować nowe, skoncentrowane na człowieku praktyki komunikacji zawodowej i budowania sieci kontaktów za pośrednictwem SI w swoim zespole lub instytucji, modelując je i wspierając współpracowników w ich stosowaniu.

HM-PE-3b

Nauczyciele potrafią tworzyć innowacyjne formy uczenia się zawodowego wspieranego przez SI, które wzmacniają samodzielność i wspólny rozwój zawodowy w szerszej społeczności edukacyjnej.

HM-PE-3c

Nauczyciele potrafią planować procesy zmian instytucjonalnych, które osadzają skoncentrowane na człowieku wykorzystanie SI w zaangażowaniu zawodowym i wpływają na kulturę ich organizacji.

HM-DR-3a

Nauczyciele potrafią planować procesy tworzenia i selekcji zasobów cyfrowych wspieranych przez SI, które jako standardową praktykę uwzględniają nadzór człowieka, głos uczniów i odpowiedzialność pedagogiczną, oraz dzielić się nimi ze współpracownikami.

HM-DR-3b

Nauczyciele potrafią tworzyć kryteria jakości, protokoły weryfikacji lub dokumenty wytycznych dla zasobów wzbogaconych przez SI oraz rozpowszechniać je w swoim zespole, szkole lub szerszej społeczności zawodowej.

HM-DR-3c

Nauczyciele potrafią planować praktyki oparte na współpracy, które zmieniają sposób tworzenia, udostępniania i udoskonalania cyfrowych zasobów wzbogaconych przez SI w społeczności edukacyjnej.

HM-TL-3a

Nauczyciele potrafią tworzyć innowacyjne podejścia dydaktyczne wspierane przez SI, które w wyraźny sposób stawiają w centrum sprawczość uczniów, relacje międzyludzkie i osąd nauczyciela, testując je i dzieląc się wynikami ze współpracownikami.

HM-TL-3b

Nauczyciele potrafią tworzyć zasady pedagogiczne oraz opracowywać odpowiadające im formaty lekcji lub protokoły klasowe dotyczące skoncentrowanego na człowieku wykorzystania SI w nauczaniu i uczeniu się, oraz rozpowszechniać je w swoim zespole lub społeczności zawodowej.

HM-TL-3c

Nauczyciele potrafią planować rozwój praktyk oparty na współpracy, który zmienia sposób wykorzystania SI w nauczaniu i uczeniu się w ich szkole lub szerszym kontekście edukacyjnym.

HM-A-3a

Nauczyciele potrafią planować praktyki oceniania wspomaganego przez SI, które wyraźnie chronią odpowiedzialność człowieka, sprawiedliwość i cel pedagogiczny, oraz dzielić się tymi rozwiązaniami ze współpracownikami.

HM-A-3b

Nauczyciele potrafią tworzyć zasady, protokoły weryfikacji lub wytyczne dotyczące odpowiedzialnego wykorzystania SI w ocenianiu w swoim zespole, szkole lub szerszej społeczności zawodowej.

HM-A-3c

Nauczyciele potrafią planować rozwój praktyk oceniania wspieranego przez SI oparty na współpracy, który zmienia sposób prowadzenia oceniania w ich kontekście edukacyjnym.

HM-EL-3a

Nauczyciele potrafią tworzyć inkluzywne środowiska uczenia się wspierane przez SI, które w wyraźny sposób stawiają w centrum godność, równość i sprawczość uczniów w zróżnicowanych grupach, oraz dzielić się tymi rozwiązaniami ze współpracownikami.

HM-EL-3b

Nauczyciele potrafią tworzyć zasady praktyki inkluzywnej, listy kontrolne dostępności lub protokoły różnicowania dotyczące wykorzystania SI w swoim zespole, szkole lub szerszej społeczności zawodowej.

HM-EL-3c

Nauczyciele potrafią planować inicjatywy oparte na współpracy, które zmieniają sposób wykorzystania SI do wspierania równości i prawa do edukacji w ich kontekście.

HM-FC-3a

Nauczyciele potrafią tworzyć podejścia klasowe, które w wyraźny sposób modelują i kształtują postawy skoncentrowane na człowieku wobec SI w różnych przedmiotach lub rocznikach, testując je i dzieląc się nimi ze współpracownikami.

HM-FC-3b

Nauczyciele potrafią tworzyć zasady, rytuały klasowe lub formaty pedagogiczne wspierające rozwój krytycznego obywatelstwa SI u uczniów, oraz rozpowszechniać je w swoim zespole lub społeczności zawodowej.

HM-FC-3c

Nauczyciele potrafią planować inicjatywy oparte na współpracy, które zmieniają sposób kształtowania u uczniów postaw wobec SI skoncentrowanych na człowieku w ich kontekście edukacyjnym.

Etyka SI

EI-PE-3a

Nauczyciele potrafią tworzyć wytyczne etyczne, narzędzia wspomagające podejmowanie decyzji lub kodeksy postępowania dotyczące wykorzystania SI w zaangażowaniu zawodowym, oraz dzielić się nimi w swoim zespole lub instytucji.

EI-PE-3b

Nauczyciele potrafią planować instytucjonalne mechanizmy przeglądu lub odpowiedzialności, które wzmacniają zgodność etyczną i regulacyjną w zawodowym wykorzystaniu SI.

EI-PE-3c

Nauczyciele potrafią planować rozwój wspólnych norm etycznych i odpowiedzialnych praktyk związanych z SI w swojej organizacji edukacyjnej, kształtując kulturę, w której wykorzystanie SI jest oparte na zasadach, przejrzyste i odpowiedzialne.

EI-DR-3a

Nauczyciele potrafią opracowywać protokoły weryfikacji, listy kontrolne ryzyka lub procesy ograniczania ryzyka dla zasobów edukacyjnych generowanych przez SI, oraz dzielić się nimi ze współpracownikami.

EI-DR-3b

Nauczyciele potrafią planować praktyki zespołowe lub wydziałowe, które czynią z identyfikacji i ograniczania ryzyka rutynowy element tworzenia i selekcji zasobów.

EI-DR-3c

Nauczyciele potrafią planować inicjatywy oparte na współpracy, które zmieniają sposób postępowania z ryzykami etycznymi w zasobach generowanych przez SI w ich kontekście edukacyjnym.

EI-TL-3a

Nauczyciele potrafią tworzyć uporządkowane narzędzia wspomagające podejmowanie decyzji etycznych dotyczących wykorzystania SI w nauczaniu i uczeniu się, oraz dzielić się nimi ze współpracownikami.

EI-TL-3b

Nauczyciele potrafią planować praktyki klasowe lub wydziałowe, które czynią z rozumowania etycznego dotyczącego SI rutynowy element planowania dydaktycznego, oraz rozpowszechniać je w swojej społeczności zawodowej.

EI-TL-3c

Nauczyciele potrafią planować pracę opartą na współpracy, która zmienia sposób uwzględniania rozumowania etycznego w nauczaniu wspieranym przez SI w ich kontekście edukacyjnym.

EI-A-3a

Nauczyciele potrafią opracowywać protokoły sprawdzania sprawiedliwości, przejrzystości i zgodności dla oceniania wspomaganego przez SI w swoim kontekście, oraz dzielić się nimi ze współpracownikami.

EI-A-3b

Nauczyciele potrafią planować uporządkowane rutyny refleksji, które przekształcają informację zwrotną z oceniania w systematyczne doskonalenie praktyki.

EI-A-3c

Nauczyciele potrafią planować inicjatywy oparte na współpracy, które zmieniają sposób zapewniania sprawiedliwości, przejrzystości i zgodności z prawem w ocenianiu wspomaganym przez SI w ich kontekście edukacyjnym.

EI-EL-3a

Nauczyciele potrafią opracowywać protokoły przeglądu etycznego, listy kontrolne danych lub ramy zabezpieczeń dla personalizacji opartej na SI w swoim kontekście, oraz dzielić się nimi ze współpracownikami.

EI-EL-3b

Nauczyciele potrafią planować praktyki zespołowe lub szkolne, które czynią z identyfikacji ryzyka, minimalizacji danych i weryfikacji przez człowieka rutynowe elementy spersonalizowanego wykorzystania SI.

EI-EL-3c

Nauczyciele potrafią planować inicjatywy oparte na współpracy, które zmieniają sposób postępowania z ryzykami etycznymi personalizacji opartej na SI w ich kontekście edukacyjnym.

EI-FC-3a

Nauczyciele potrafią planować dłuższe sekwencje edukacyjne, formaty projektowe lub jednostki międzyprzedmiotowe, które systematycznie rozwijają u uczniów rozumowanie etyczne dotyczące SI oraz odpowiedzialność środowiskową.

EI-FC-3b

Nauczyciele potrafią tworzyć odpowiednie do wieku ramy, słownictwo lub rutyny wspierające kształtowanie u uczniów etycznej sprawczości w zakresie SI.

EI-FC-3c

Nauczyciele potrafią planować inicjatywy oparte na współpracy, które zmieniają sposób rozwijania u uczniów etycznej sprawczości w zakresie SI w ich kontekście edukacyjnym.

Podstawy i zastosowania SI

AF-PE-3a

Nauczyciele potrafią planować procedury ewaluacji, ramy wyboru narzędzi lub materiały wdrożeniowe, które pomagają współpracownikom stosować podstawową wiedzę o SI w decyzjach zawodowych, oraz dzielić się nimi w instytucji.

AF-PE-3b

Nauczyciele potrafią tworzyć formaty uczenia się zawodowego związane z SI, które budują kompetencje w zakresie SI w ich zespole lub szkole.

AF-PE-3c

Nauczyciele potrafią tworzyć instytucjonalne działania budujące potencjał w zakresie SI, które zmieniają sposób, w jaki podstawowa wiedza o SI wpływa na praktykę w ich kontekście edukacyjnym.

AF-DR-3a

Nauczyciele potrafią planować techniczne procesy pracy lub dokumenty wytycznych dotyczące tworzenia zasobów wspieranego przez SI, oraz dzielić się nimi ze współpracownikami.

AF-DR-3b

Nauczyciele potrafią tworzyć nowatorskie zastosowania narzędzi SI do tworzenia zasobów, które wykorzystują ich rzeczywiste możliwości, a nie samą nowość, testując je i rozpowszechniając wyniki w swojej społeczności zawodowej.

AF-DR-3c

Nauczyciele potrafią planować działania budujące potencjał w zakresie narzędzi SI do projektowania zasobów, które zmieniają sposób wykorzystania SI do tworzenia zasobów edukacyjnych w ich kontekście.

AF-TL-3a

Nauczyciele potrafią tworzyć technicznie uzasadnione formaty dydaktyczne lub opracowywać szablony lekcji dla nauczania zintegrowanego z SI, oraz dzielić się nimi ze współpracownikami.

AF-TL-3b

Nauczyciele potrafią tworzyć nowatorskie podejścia dydaktyczne wspierane przez SI, które wykorzystują rzeczywiste możliwości obecnych systemów SI, testując je i rozpowszechniając wyniki w swojej społeczności zawodowej.

AF-TL-3c

Nauczyciele potrafią planować działania budujące potencjał w zakresie SI w nauczaniu i uczeniu się, które zmieniają sposób, w jaki podstawowa wiedza o SI kształtuje projektowanie dydaktyczne w ich kontekście edukacyjnym.

AF-A-3a

Nauczyciele potrafią planować techniczne protokoły ewaluacji, rutyny walidacji narzędzi lub szablony procesów dla oceniania wzbogaconego przez SI w swoim kontekście, oraz dzielić się nimi ze współpracownikami.

AF-A-3b

Nauczyciele potrafią planować systematyczne praktyki monitorowania i poprawy technicznej skuteczności narzędzi SI do oceniania, oraz rozpowszechniać je w swoim zespole lub szkole.

AF-A-3c

Nauczyciele potrafią planować działania budujące potencjał w zakresie SI w ocenianiu, które zmieniają sposób, w jaki podstawowa wiedza o SI kształtuje praktykę oceniania w ich kontekście edukacyjnym.

AF-EL-3a

Nauczyciele potrafią tworzyć wytyczne techniczne, ramy wyboru narzędzi lub szablony konfiguracji dla inkluzywnego wykorzystania SI w swoim kontekście, oraz dzielić się nimi ze współpracownikami.

AF-EL-3b

Nauczyciele potrafią tworzyć nowatorskie zastosowania narzędzi SI do personalizacji i dostępności, oparte na realistycznym zrozumieniu tego, co obecne systemy potrafią, a czego nie, testując je i rozpowszechniając wyniki w swojej społeczności zawodowej.

AF-EL-3c

Nauczyciele potrafią planować działania budujące potencjał w zakresie SI na rzecz inkluzji, które zmieniają sposób, w jaki podstawowa wiedza o SI kształtuje praktykę inkluzywną w ich kontekście edukacyjnym.

AF-FC-3a

Nauczyciele potrafią planować dłuższe sekwencje edukacyjne, formaty projektowe lub jednostki międzyprzedmiotowe, które systematycznie budują u uczniów techniczne kompetencje w zakresie SI, oraz dzielić się nimi ze współpracownikami.

AF-FC-3b

Nauczyciele potrafią opracowywać odpowiednie do wieku zasoby pedagogiczne, analogie lub formaty zajęć służące nauczaniu podstaw SI i praktycznych umiejętności związanych z SI, oraz rozpowszechniać je w swoim zespole lub społeczności zawodowej.

AF-FC-3c

Nauczyciele potrafią planować inicjatywy oparte na współpracy, które zmieniają sposób budowania u uczniów technicznych kompetencji w zakresie SI w ich kontekście edukacyjnym.


4. Certyfikacja i Mikropoświadczenia

4. Certyfikacja i Mikropoświadczenia

4.1 Ścieżka Certyfikacji

Czym jest certyfikacja?

Ścieżka certyfikacji DUAL.AI.TEACHer zapewnia nauczycielom uporządkowany sposób wykazania swoich kompetencji w dwóch uzupełniających się obszarach: nauczaniu wzbogaconym o SI oraz kompetencjach w zakresie SI. Nauczyciele mogą realizować jedną ścieżkę certyfikacji lub obie, w zależności od swojej wcześniejszej wiedzy, roli zawodowej i potrzeb rozwojowych.

Ścieżka certyfikacji łączy samoocenę, działania edukacyjne i przygotowawcze, formalną ocenę oraz certyfikację cyfrową.

Wybierz swoją ścieżkę

Certyfikacja DUAL.AI.TEACHer składa się z dwóch uzupełniających się ścieżek:

Uczestnicy mogą realizować jedną ścieżkę certyfikacji lub obie, w zależności od swojej wcześniejszej wiedzy, roli zawodowej i potrzeb rozwojowych.

Wstępna samoocena pomoże kandydatom zidentyfikować najbardziej odpowiednią ścieżkę.

Jak przebiega certyfikacja?

Proces certyfikacji przebiega według wspólnej sekwencji dla obu ścieżek:

  1. Nauczyciel dowiaduje się o certyfikacji DUAL.AI.TEACHer.
  2. Kandydat rejestruje się na platformie ICEP.
  3. Kandydat wypełnia wstępną samoocenę i wybiera Ścieżkę A lub Ścieżkę B.
  4. Kandydat uczy się i przygotowuje, korzystając z udostępnionych materiałów, w tym zbierając odznaki w kursie MOOC.
  5. Kandydat rezerwuje termin egzaminu.
  6. Kandydat przystępuje do egzaminu.
  7. Po pomyślnym zaliczeniu wydawany jest certyfikat.
  8. Certyfikat może być udostępniany za pośrednictwem Europass, gdzie instytucje trzecie mogą sprawdzić jego ważność.
  9. Certyfikat traci ważność po pięciu latach.

Rys. 1: „Proces rejestracji, samooceny i wyboru ścieżki certyfikacji”

Nauka i przygotowanie

Po wybraniu ścieżki certyfikacji kandydaci wchodzą w fazę nauki i przygotowania. Korzystają z udostępnionych materiałów edukacyjnych i mogą zbierać odznaki w ramach kursu MOOC jako część przygotowań do oceny certyfikacyjnej.

Proces przygotowania obejmuje dostęp do materiałów edukacyjnych, działań wspierających, samooceny, zadań praktycznych oraz śledzenia postępów. Kandydat może kontynuować naukę, w razie potrzeby powtarzać działania lub przejść do oceny certyfikacyjnej, gdy będzie wystarczająco przygotowany.

Rys. 2: „Proces nauki i przygotowania”

Ocena i certyfikacja

Ocena certyfikacyjna jest przeprowadzana w formie egzaminu online dla każdej ścieżki certyfikacji.

Planowany format oceny obejmuje:

Kandydaci przystępują do oceny dla wybranej ścieżki po fazie przygotowania i samoocenie gotowości. Pomyślne zdanie egzaminu prowadzi do wydania odpowiedniego certyfikatu.

Ocena może obejmować następujące typy pytań:

Te formaty odpowiedzi wyboru mają na celu wspieranie obiektywnej, spójnej i skalowalnej oceny, umożliwiając jednocześnie efektywne automatyczne ocenianie.

Rys. 3: „Proces egzaminu i certyfikacji między kandydatem a ICEP”

Która ścieżka jest dla mnie odpowiednia?

Obie ścieżki certyfikacji odpowiadają na różne potrzeby i zainteresowania zawodowe.

Ścieżka A – Nauczanie wzbogacone o SI (WITH AI) jest przeznaczona dla nauczycieli, którzy chcą wykorzystywać SI w nauczaniu i uczeniu się w sposób pedagogicznie sensowny, bezpieczny i odpowiedzialny zawodowo. W dokumencie Certification Pathway Design ilustruje to przykład Mai Novak, nauczycielki szkoły średniej, która już eksperymentuje z generatywną SI przy przygotowywaniu lekcji, materiałów zróżnicowanych, działań klasowych i informacji zwrotnej formującej. Jej głównym celem jest przejście od eksperymentalnego wykorzystania SI do bardziej świadomej i refleksyjnej praktyki zawodowej.

Rys. 4: „Ścieżka kandydata – Ścieżka A: Nauczanie wzbogacone o SI”

Ścieżka B – Kompetencje w zakresie SI (ABOUT AI) jest przeznaczona dla nauczycieli, którzy chcą pogłębić własne zrozumienie oraz zrozumienie swoich uczniów w zakresie pojęć związanych z SI, jej ograniczeń, ryzyk i odpowiedzialnego wykorzystania. Ilustruje to przykład Luki Horvata, nauczyciela szkoły ponadpodstawowej, który chce pomóc uczniom stać się krytycznymi, świadomymi i odpowiedzialnymi użytkownikami SI, ze szczególnym uwzględnieniem takich kwestii jak dezinformacja, stronniczość, prywatność, przejrzystość, wykorzystanie danych, sprawczość człowieka oraz społeczny wpływ SI.

Dual.AI.TEACHer Certification Pathway - Track B.png

Rys. 5: „Ścieżka kandydata – Ścieżka B: Kompetencje w zakresie SI”

Kandydaci mogą realizować jedną ścieżkę lub obie, w zależności od swojej wcześniejszej wiedzy, roli zawodowej i potrzeb rozwojowych.

Wstępna samoocena wspiera wybór najbardziej odpowiedniej ścieżki.

Poświadczenia i uznawalność

Po pomyślnym zaliczeniu oceny kandydaci otrzymują cyfrowy certyfikat za ukończoną ścieżkę certyfikacji.

Model certyfikacji obejmuje:

Certyfikacja ma na celu wspieranie uznawania kompetencji nauczycieli związanych z SI oraz ich ustawicznego rozwoju zawodowego. Ma również na celu wspieranie uznawalności i przenoszalności tych kompetencji w różnych kontekstach europejskich.

Więcej informacji

Dalsze szczegóły dotyczące struktury certyfikacji, ścieżki kandydata, kryteriów oceny, procedury egzaminacyjnej, ról i obowiązków, walidacji pilotażowej oraz trwałości znajdują się w pełnym dokumencie DUAL.AI.TEACHer Certification Pathway Design.

4. Certyfikacja i Mikropoświadczenia

4.2 Mikropoświadczenia

Mikropoświadczenia

Mikropoświadczenia to krótkie, ukierunkowane kwalifikacje, które potwierdzają konkretne efekty uczenia się i umiejętności nabyte w ramach krótkich szkoleń lub kursów. 

Cechy: 
Najważniejsze korzyści:
  • Elastyczność – Umożliwiają szybkie podnoszenie lub zmianę kwalifikacji bez długoterminowych zobowiązań finansowych.
  • Szanse na rynku pracy – Dają pracodawcom przejrzysty i łatwo weryfikowalny dowód praktycznych kompetencji.
  • Składalność – Często można je łączyć lub „składać” w czasie, tak aby zaliczały się do większych kwalifikacji lub stopni

Mikropoświadczenia i architektura certyfikacji

Strategia certyfikacji w projekcie DUAL.AI.TEACHer ustanawia formalny, ogólnoeuropejski mechanizm walidacji kompetencji nauczycielek i nauczycieli w zakresie SI.

Dwie ścieżki certyfikacji:

  1. Ścieżka A – Dydaktyka wzbogacona SI: Potwierdza kompetencje w korzystaniu z narzędzi SI do projektowania lekcji, nauczania adaptacyjnego, zautomatyzowanego oceniania i optymalizacji przepływu pracy.

  2. Ścieżka B – Kompetencje w zakresie SI i edukacja obywatelska: Potwierdza kompetencje w nauczaniu uczniów myślenia komputacyjnego, uprzedzeń algorytmicznych, ochrony prywatności danych oraz etycznej postawy obywatelskiej wobec SI.

Ramy strukturalne i zgodność ze standardami:

Architektura techniczna i proces przyznawania poświadczeń:

5. Mapa Drogowa Integracji SI

5. Mapa Drogowa Integracji SI

5.1 Jak Korzystać z Mapy Drogowej

Ten rozdział przedstawia Mapę drogową integracji DUAL.AI.TEACHer. Mapa drogowa opisuje dziewięć etapów, które prowadzą kształcenie nauczycieli od pierwszej strategicznej rozmowy o SI do trwałej struktury, która się nią zajmuje. Mapa drogowa obejmuje kształcenie przygotowujące do zawodu nauczyciela na uczelniach, a także szkoły i doskonalenie zawodowe. Rozdział jest przeznaczony dla osób kierujących programami kształcenia nauczycieli na uczelniach, osób odpowiedzialnych za doskonalenie zawodowe nauczycieli oraz dyrekcji szkół.

Celowo nie jest to jeden tekst do czytania od początku do końca. Przeczytajcie tę część, która odpowiada Waszej roli.

Etap Zacznijcie od Następnie
Wszyscy 5.2 Zajmuje to dwie minuty i daje obraz całego modelu

Dyrektorka lub dyrektor szkoły lub osoba odpowiedzialna za doskonalenie zawodowe w szkole

5.2

5.3, napisana z myślą o szkołach

Praca w instytucji kształcenia nauczycieli (kierowanie programem studiów, osoby kształcące nauczycieli, zapewnianie jakości)

5.2 5.4, pełna wersja, czytana po kolei

Nauczycielka lub nauczyciel szukający praktycznych rozwiązań do pracy w klasie

5.2 Możecie na tym poprzestać. Sekcje 5.2 i 5.3 to te, które napisano z myślą o Was

Czytanie pełnej wersji

Sekcja 5.4 opisuje każdy z dziewięciu etapów w całości: czego dany etap dotyczy, dlaczego został zaprojektowany właśnie tak i jak możecie rozpoznać, że został zakończony. Jest to wersja referencyjna mapy drogowej, napisana tak, aby korzystać z niej dwukrotnie. Przeczytajcie ją raz po kolei, aby zobaczyć, dlaczego etapy ułożone są w takiej właśnie kolejności i które z nich zależą od siebie. Następnie wracajcie do poszczególnych etapów w trakcie pracy nad nimi — i tak właśnie większość instytucji będzie z niej korzystać w praktyce.

Osoby, które przychodzą tu z sekcji 5.3, nie potrzebują 5.4, aby działać, ale każdy etap opisany tam skrótowo jest w 5.4 przedstawiony obszernie. Obie sekcje spotykają się na etapie 6, Włączenie SI do doskonalenia zawodowego: to tam instytucje kształcenia nauczycieli organizują ustawiczne doskonalenie zawodowe, z którego korzystają szkoły.

5. Mapa Drogowa Integracji SI

5.2 Mapa Drogowa (Skrócona Wersja Podsumowująca)

Nasz punkt wyjścia

Projekt DUAL.AI.TEACHer ma na celu opracowanie jasnej i elastycznej mapy drogowej złożonej z siedmiu do dziesięciu etapów, która pomaga instytucjom kształcenia nauczycieli włączyć SI zarówno do kształcenia wstępnego nauczycieli, jak i do ustawicznego doskonalenia zawodowego. Mapa drogowa skupia się na zmianie instytucjonalnej, a nie na pojedynczych inicjatywach, i została opracowana wspólnie z osobami kształcącymi nauczycieli.

Szczególnie istotnych podstaw dostarczyły dwa istniejące modele.

Pierwszy to sześcioetapowy model dla szkolnictwa wyższego, podsumowany hasłem „uczenie się, jak uczyć się na nowo”. Prowadzi on od przeformułowania instytucjonalnych rozmów o SI, przez zaufanie i zarządzanie, biegłość kadry, zmianę programu studiów oraz przeprojektowanie nauczania i oceniania, aż do wzmocnienia obejmującego całą instytucję (Black, 2025). Jego główną zaletą jest to, że traktuje SI jako siłę napędową transformacji instytucjonalnej, a nie jedynie jako kwestię narzędzi.

Drugi to czterofazowa mapa drogowa wdrażania generatywnej SI dla szkół i organów prowadzących: zbudować fundament, rozwijać kadrę, zaktualizować treści nauczania oraz oceniać i posuwać się dalej. Jej zaletą jest nastawienie operacyjne i nacisk na konkretne wdrożenie.

Oba modele robią to, co sobie założyły: jeden dotyczy uczelni jako całości, drugi szkół i organów prowadzących. Instytucje kształcenia nauczycieli funkcjonują w obu tych światach jednocześnie i właśnie tutaj zobaczyliśmy przestrzeń, by rozwinąć istniejące prace. Instytucje te przekształcają własne nauczanie, a równocześnie przygotowują przyszłe nauczycielki i przyszłych nauczycieli do kontekstów pozostających poza ich bezpośrednią kontrolą. Zajmowanie się wyłącznie wewnętrzną transformacją oznaczałoby, że programy związane z SI realizowałaby kadra o ograniczonym doświadczeniu praktycznym, a zajmowanie się wyłącznie przyszłą praktyką w klasie zmodernizowałoby program studiów bez zmiany instytucji, która go prowadzi. Mapa drogowa DUAL.AI.TEACHer opiera się na obu modelach i łączy te dwa wymiary.

grafik.png

Rys. 1: „Mapa drogowa integracji DUAL.AI.TEACHer: dziewięć etapów instytucjonalnej integracji SI w kształceniu nauczycieli”

Dwie osie pod etapami

Mapa drogowa nie łączy obu modeli odniesienia krok po kroku, lecz jest zbudowana wokół dwóch równoległych osi.

Pierwszą jest transformacja instytucjonalna: struktury, zarządzanie, program studiów oraz formalne warunki, które umożliwiają lub ograniczają korzystanie z SI. Ta oś podąża za logiką „od przeformułowania do wzmocnienia” z modelu dla szkolnictwa wyższego i opiera się na ugruntowanych badaniach. Teoria dyfuzji innowacji wskazuje możliwość wypróbowania i obserwowalność jako cechy ułatwiające przyjmowanie innowacji, co uzasadnia nacisk na widoczne wdrożenie pilotażowe w etapie 7 (Neal i in., 2018).

Drugą jest potencjał ludzki, która stanowi oś jakości mapy drogowej. Szkoleń nie da się zredukować do odosobnionych warsztatów. Badania nad skutecznym doskonaleniem zawodowym nauczycieli podkreślają trwałość w czasie, koncentrację na treści, ćwiczenie, refleksję, informację zwrotną i coaching (Lipowsky & Rzejak, 2021). Zasady te kształtują zatem projektowanie działań szkoleniowych na całej długości mapy drogowej, od osób kształcących nauczycieli w etapie 3 do czynnych nauczycieli w etapie 6. Jednorazowy warsztat sam w sobie nie oznacza zakończenia etapu.

Ściągawka z mapy drogowej

Etap Zadanie Zakończone, gdy
Dostosowanie strategiczne Ocenić, w jakim punkcie instytucja naprawdę się znajduje, i uzgodnić, co chce osiągnąć, z udziałem kierownictwa i z powołanym zespołem międzydziałowym. Punkt wyjścia i cel istnieją na piśmie.
Wspierające ramy zarządzania Wprowadzić obowiązujące w całej instytucji wytyczne dotyczące korzystania z SI, ochrony danych, uczciwości, ujawniania i sprawdzania narzędzi, sformułowane wokół tego, co jest możliwe, a nie tego, co jest zakazane. Kadra potrafi odpowiedzieć na pytanie „czy wolno mi to zrobić?” bez pytania kogokolwiek.
Potencjał kadry kształcącej nauczycieli Rozwijać potencjał osób, które nauczają, poprzez trwałe, skoncentrowane na treści i wbudowane w praktykę uczenie się zawodowe z coachingiem i refleksją. Rozwój ma charakter ciągły, a nie jest tylko jednorazowym warsztatem.
Wspólne projektowanie programu studiów Przenieść SI do formalnego programu studiów poprzez rewizję sylabusów i efektów uczenia się, zakotwiczoną w dydaktykach przedmiotowych, a nie w osobnym module. Efekty uczenia się związane z SI pojawiają się w regularnej dokumentacji modułów kilku przedmiotów.
Dydaktyka i ocenianie Przeprojektować zadania uczeniowe i ocenianie tak, aby były autentyczne i uwzględniały SI, oraz modelować nauczanie zintegrowane z SI, tak aby studenci doświadczyli go jako osoby uczące się. Formaty oceniania zostały zrewidowane, a nie tylko uzupełnione deklaracją o korzystaniu z SI.
Włączenie SI do doskonalenia zawodowego Przekształcić ustawiczne doskonalenie zawodowe w ustrukturyzowaną ofertę ze składalnymi mikropoświadczeniami, zabezpieczając ramię skierowane do czynnych nauczycieli. Oferta ma opublikowaną strukturę i uznawane poświadczenie.
Pilotaż w autentycznych kontekstach Przetestować przeprojektowane moduły, ofertę doskonalenia zawodowego i formy oceniania z rzeczywistymi grupami oraz systematycznie zbierać informacje zwrotne. Istnieje udokumentowana informacja zwrotna, która doprowadziła do rozpoznawalnych zmian.
Ewaluacja, uczenie się i adaptacja Przeanalizować przyrost kompetencji, uczestnictwo, wykonalność, równość szans i wpływ oraz wykorzystać zebrane dowody do wprowadzenia zmian. Dowody coś zmieniły, a nie tylko wypełniły raport.

Instytucjonalizacja i skalowanie

Przekształcić inicjatywę w trwałą strukturę: odpowiedzialność, role, zasoby, zapewnianie jakości, odnawianie. Praca jest kontynuowana po odejściu osób, które ją rozpoczęły.

AI for Education. (b.d.). AI adoption roadmap for education institutions.
Black, A. (2025, 3 grudnia). Learning to learn again: A roadmap for higher education institutions in the age of AI. enablinginsights.
Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung.
Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446.

5. Mapa Drogowa Integracji SI

5.3 Mapa drogowa dla szkół

Dla kogo jest ta sekcja

Dyrektorki i dyrektorzy szkół, wicedyrektorzy oraz osoby odpowiedzialne za doskonalenie zawodowe w szkole. Nie musicie znać wcześniejszych sekcji w całości. Jeśli przeczytaliście dziewięć etapów opisanych w 5.2, ta sekcja pokazuje, jak odnoszą się one do szkoły; jeśli nie, możecie zacząć właśnie tutaj.

W którym miejscu szkoły wchodzą na mapę drogową. Ta mapa drogowa powstała z myślą o instytucjach kształcenia nauczycieli, ale jej logika zmiany nie jest dla nich specyficzna, a jeden z etapów dotyczy szkół bezpośrednio. Etap 6, Włączenie SI do doskonalenia zawodowego, to ramię skierowane do czynnych nauczycieli: to tutaj instytucje kształcenia nauczycieli organizują ustawiczne doskonalenie zawodowe, w którym uczestniczy Wasza kadra. To jest Wasz punkt wejścia. To, co dana instytucja oferuje jako etap 6, trafia do Waszej szkoły w postaci doskonalenia zawodowego, a to, czy zmieni cokolwiek w Waszych klasach, zależy od warunków panujących w tej szkole. 

Dlaczego nie można na tym poprzestać. Wysłanie kadry na jednorazowy kurs to najczęstsze podejście, a zarazem takie, które samo w sobie raczej nie zmieni praktyki. Skuteczne jest trwałe zaangażowanie skoncentrowane na treści, możliwość ćwiczenia oraz działania następcze w postaci coachingu lub współpracy (Lipowsky & Rzejak, 2021). Ma to bezpośrednie konsekwencje dla osoby kierującej szkołą. Zasobem deficytowym nie jest kurs, lecz chroniony czas po nim, w którym nauczyciele czegoś próbują, omawiają to z koleżankami i kolegami i wprowadzają korekty. 

grafik.png

Rys. 1: „Mapa drogowa integracji DUAL.AI.TEACHer: dziewięć etapów instytucjonalnej integracji SI w kształceniu nauczycieli”

Trzy etapy, które warto potraktować priorytetowo na poziomie szkoły

Etap 6 jest Waszym punktem styku, ale to etapy 1-3 tworzą warunki, dzięki którym on działa. 

Etap 1, Dostosowanie strategiczne. Ustalcie, w jakim punkcie naprawdę znajduje się Wasza szkoła. Część kadry już korzysta z SI, część jej unika, a szkoły często nie mają jasnego obrazu obecnej praktyki. Krótka, uczciwa inwentaryzacja jest warta więcej niż dokument strategiczny. Nazwijcie to, co chcecie osiągnąć, i bądźcie przygotowani na odpowiedź, że SI nie jest obecnie najpilniejszym problemem Waszej szkoły; to również jest uprawniony wynik tego etapu.

Etap 2, Wspierające ramy zarządzania. Na poziomie szkoły jest to szczególnie ważne i łatwo je przeoczyć. Kadra i uczniowie muszą wiedzieć, co jest dozwolone, w jaki sposób należy ujawniać korzystanie z SI, które narzędzia zostały sprawdzone pod kątem ochrony danych i co jest uznawane za nieuczciwość akademicką. Tam, gdzie jest to niejasne, dzieją się jednocześnie dwie rzeczy: ostrożni nauczyciele całkowicie unikają SI, a pewni siebie korzystają z niej bez żadnych uzgodnionych granic. Jasne, wspierające wytyczne pomagają rozwiązać oba problemy. Nie muszą być długie.

Etap 3, Potencjał kadry. W pierwotnej mapie drogowej etap ten dotyczy osób kształcących nauczycieli; w Waszej szkole dotyczy on Waszej kadry nauczycielskiej. Obowiązują te same warunki jakości. Rozważcie rozpoczęcie od małej grupy chętnych koleżanek i kolegów z jednego lub dwóch przedmiotów, zamiast wdrożenia obejmującego całą radę pedagogiczną, i pokażcie ich rezultaty pozostałym. Innowacje rozprzestrzeniają się wtedy, gdy koleżanki i koledzy widzą, że działają one w ich własnym środowisku (Neal i in., 2018).

Co jest inne w szkole

Trzy ograniczenia odróżniają Waszą sytuację od sytuacji instytucji kształcenia nauczycieli i mapę drogową warto czytać z nimi w pamięci.

Macie mniejszą autonomię programową. Etapy 4 i 5 zakładają instytucję, która może zmieniać treść własnych kursów. Duża część Waszego programu nauczania może być określona w ramach krajowych lub ustawowych, a Wasze pole manewru leży w tym, jak przedmioty są nauczane i jak ocenia się uczenie się, a nie w tym, co jest odgórnie przepisane. Czytajcie te etapy jako dotyczące projektowania zadań i praktyki oceniania.

Wasza kadra ma mniej czasu do dyspozycji. Instytucja kształcenia nauczycieli może przydzielić pracownikom naukowo-dydaktycznym prace rozwojowe jako część ich obowiązków. W szkole każda godzina przeznaczona na rozwój konkuruje bezpośrednio z nauczaniem. To sprawia, że etap 2 ma nieproporcjonalnie dużą wartość: wytyczne kosztują niewiele czasu, a usuwają bardzo wiele tarć.

Jesteście bliżej konsekwencji. Szkoły szczególnie bezpośrednio doświadczają praktycznych konsekwencji kwestii związanych z równością szans, danymi uczniów i dostępem. Właśnie dlatego etap 8 wprost pyta o równość szans.


Lipowsky, F., & Rzejak, D. (2021). Fortbildungen für Lehrpersonen wirksam gestalten: Ein praxisorientierter und forschungsgestützter Leitfaden. Bertelsmann Stiftung.
Neal, J. W., Neal, Z. P., Lawlor, J. A., Mills, K. J., & McAlindon, K. (2018). What makes research useful for public school educators? Administration and Policy in Mental Health and Mental Health Services Research, 45(3), 432–446.

5. Mapa Drogowa Integracji SI

5.4 Pełna mapa drogowa dla instytucji kształcenia nauczycieli

Dla kogo jest ta sekcja

Dziekani, kierownicy programów studiów, osoby kształcące nauczycieli oraz osoby odpowiedzialne za zapewnianie jakości w instytucjach przygotowujących do zawodu nauczyciela. Ta mapa drogowa powstała przede wszystkim z myślą o Was, a niniejsza sekcja zakłada, że znacie już dziewięć etapów opisanych w 5.1. W odróżnieniu od czytelniczek i czytelników ze szkół, instytucje kształcenia nauczycieli powinny traktować mapę drogową jako całość, ponieważ poszczególne etapy dotyczą różnych obszarów zmiany instytucjonalnej, które są od siebie wzajemnie zależne.

grafik.png

Rys. 1: „Mapa drogowa integracji DUAL.AI.TEACHer: dziewięć etapów instytucjonalnej integracji SI w kształceniu nauczycieli”

1. Dostosowanie strategiczne

Od reagowania do strategii Większość instytucji nie zaczyna od zera. Punktem wyjścia jest zwykle mozaika pojedynczych inicjatyw, nieformalnego korzystania z narzędzi i nierozstrzygniętych wątpliwości. Pierwszy etap uwidacznia tę sytuację wyjściową i przekształca ją we wspólny kierunek strategiczny. Kierownictwo samo otwiera ten proces, zamiast go delegować, ponieważ kolejne etapy wymagają decyzji dotyczących kadr, zasobów i programu studiów, które potrzebują instytucjonalnego wsparcia. Instytucja ocenia swoją gotowość, potrzeby i priorytety oraz powołuje międzyfunkcyjny zespół sterujący, w którego skład wchodzą osoby kształcące nauczycieli, przedstawiciele IT, studenci oraz osoby odpowiedzialne za zapewnianie jakości. Włączenie studentów nie jest gestem symbolicznym: to oni bezpośrednio doświadczają programu studiów, a w kształceniu nauczycieli są także członkami przyszłej grupy zawodowej.

Etap jest zakończony, gdy instytucja potrafi na piśmie określić, w jakim punkcie się znajduje, co chce osiągnąć i kto odpowiada za dalsze prowadzenie tych prac.

2. Wspierające ramy zarządzania

Wytyczne pojawiają się wcześnie, ponieważ niepewność może stać się poważną barierą we wdrażaniu. Osoby zatrudnione, które nie wiedzą, co jest dozwolone, mogą albo całkowicie unikać SI, albo korzystać z niej bez wspólnie uzgodnionych zasad. Instytucja opracowuje wytyczne obowiązujące w całej organizacji, obejmujące korzystanie z SI, ochronę danych, rzetelność akademicką, oczekiwania dotyczące ujawniania użycia SI oraz procedurę przeglądu i zatwierdzania narzędzi. Kluczowym wyborem projektowym jest sposób ujęcia: wytyczne powinny wyjaśniać, co jest możliwe i pod jakimi warunkami, zamiast składać się głównie z zakazów. Projekt wytycznych jest przed przyjęciem poddawany konsultacjom, co zwiększa zarówno ich praktyczną użyteczność, jak i legitymację.

Etap jest zakończony, gdy pracownicy bez trudu znajdują jasną odpowiedź na pytanie „Czy wolno mi to zrobić?” i wiedzą, do kogo się zwrócić, gdy dana sytuacja wykracza poza wytyczne.

3. Potencjał kadry kształcącej nauczycieli

Osoby kształcące nauczycieli nie mogą modelować praktyk, których same nie miały okazji poznać. Ten etap buduje ich potencjał poprzez doskonalenie zawodowe, które jest ciągłe, a nie jednorazowe, powiązane z treściami i dydaktyką przedmiotową, a nie skoncentrowane głównie na narzędziach, oraz osadzone w praktyce dzięki współpracy, coachingowi i ustrukturyzowanej refleksji. Są to cechy konsekwentnie wiązane ze skutecznym doskonaleniem zawodowym nauczycieli (Lipowsky & Rzejak, 2021). Kompetencje są odnoszone do Ram Kompetencji DUAL.AI.TEACHer oraz Ram Kompetencji SI dla Nauczycieli UNESCO, dzięki czemu rozwój ma zarówno kierunek, jak i punkt odniesienia. Integracja SI powinna opierać się na dotychczasowej wiedzy zawodowej osób kształcących nauczycieli, zamiast traktować SI jako odrębną kompetencję techniczną. Pojedyncze warsztaty nie kończą tego etapu. Etap jest zakończony, gdy osoby kształcące nauczycieli mają trwałe możliwości rozwijania, stosowania i refleksyjnego analizowania praktyki związanej z SI we własnych kontekstach dydaktycznych.

4. Wspólne projektowanie programu studiów

Na tym etapie SI przechodzi z działań pozaprogramowych do formalnego programu studiów. Dokumentacja kursów i modułów zostaje poddana przeglądowi, a efekty uczenia się są dostosowywane do ram kompetencji, tak aby to, czego się naucza, co się ćwiczy i co się ocenia, zmierzało w tym samym kierunku. Główną zasadą projektową tej mapy drogowej jest to, że kompetencje w zakresie SI oraz pedagogika wzbogacona o SI powinny być osadzone w dydaktyce przedmiotowej, a nie zamknięte w osobnym module. Dedykowany kurs poświęcony SI może być użyteczny jako krok przejściowy, ale niesie ryzyko zasygnalizowania, że SI jest odrębnym tematem, a nie częścią codziennego nauczania przedmiotowego. Wspólne projektowanie z osobami kształcącymi nauczycieli ma znaczenie, ponieważ ci, którzy będą prowadzić zmieniony program, powinni go współtworzyć.

Etap jest zakończony, gdy efekty uczenia się związane z SI są widoczne w standardowej dokumentacji wielu przedmiotów lub modułów i są powiązane z szerszym programem, a nie odizolowane w jednym kursie.

5. Dydaktyka i ocenianie

Zmiana programu studiów na papierze nie wystarczy, jeśli nauczanie i ocenianie pozostaną bez zmian. Ten etap przeprojektowuje zadania edukacyjne i formy oceniania tak, aby były autentyczne, multimodalne i uwzględniały obecność SI, oraz aby ocenianie koncentrowało się na tym, co przyszłe nauczycielki i przyszli nauczyciele potrafią zrozumieć, uzasadnić, stworzyć i zastosować, a nie na wytworach, które system generatywny może wyprodukować na żądanie. Równie ważny jest efekt modelowania: osoby przygotowujące się do zawodu nauczyciela powinny doświadczyć przemyślanego nauczania z wykorzystaniem SI w roli uczących się, zanim oczekuje się od nich stosowania go w praktyce zawodowej. Kształcenie nauczycieli ma tu wyjątkową szansę, ponieważ studenci doświadczają praktyk nauczania, jednocześnie rozwijając własny warsztat zawodowy.

Etap jest zakończony, gdy efekty uczenia się związane z SI znajdują odzwierciedlenie w rzeczywistej praktyce nauczania i oceniania, a nie są jedynie dopisane do opisów modułów lub wymogów dotyczących ujawniania użycia SI.

6. Włączenie SI do doskonalenia zawodowego

Instytucje kształcenia nauczycieli nie tylko przygotowują przyszłe nauczycielki i przyszłych nauczycieli; wspierają także osoby już pracujące w szkołach. Ten etap rozwija ustawiczne doskonalenie zawodowe w ustrukturyzowaną ofertę zamiast serii odosobnionych wydarzeń. Obowiązują te same warunki jakości co na etapie 3: trwałe zaangażowanie, wyraźne skupienie na treści, możliwość praktycznego ćwiczenia oraz działania następcze w postaci współpracy, informacji zwrotnej lub coachingu. W modelu DUAL.AI.TEACHer prace te mogą zostać powiązane ze ścieżką certyfikacji opracowaną w ramach T2.6, co pozwala budować doskonalenie zawodowe w dłuższej perspektywie. Etap 6 tworzy również dwukierunkowe połączenie ze szkołami: instytucje wnoszą doskonalenie zawodowe, a czynni nauczyciele wnoszą aktualne doświadczenie z klas z powrotem do kształcenia nauczycieli.

Etap jest zakończony, gdy doskonalenie zawodowe czynnych nauczycieli tworzy spójną i trwałą ofertę z wyraźną progresją, a nie kalendarz niepowiązanych ze sobą pojedynczych wydarzeń.

7. Pilotaż w autentycznych kontekstach

Przeprojektowane moduły, oferty doskonalenia zawodowego i formy oceniania są testowane z rzeczywistymi grupami w realistycznych warunkach, a informacje zwrotne od osób kształcących nauczycieli, studentów i innych uczestników są zbierane systematycznie. Pilotaż zmniejsza ryzyko skalowania podejścia, zanim zostanie ono sprawdzone w praktyce. Uwidacznia też wdrożenie: koleżanki i koledzy mogą zobaczyć, jak dane podejście działa w kontekście zbliżonym do ich własnego, omówić wyniki i dostosować je przed szerszym zastosowaniem. Celem pilotażu nie jest zatem wykazanie, że projekt był trafny, lecz odkrycie, co wymaga zmiany.

Etap jest zakończony, gdy udokumentowane informacje zwrotne z autentycznego wdrożenia doprowadziły do dających się wskazać zmian.

8. Ewaluacja, uczenie się i adaptacja

Ewaluacja odpowiada na pytanie, czy zmiany przyniosły zamierzone rezultaty. W zależności od działania może obejmować rozwój kompetencji, uczestnictwo, wykonalność, równość szans, doświadczenia kadry i studentów oraz szersze efekty programowe. Równość szans jest rozpatrywana wprost, ponieważ integracja SI może zmniejszać jedne nierówności, a jednocześnie tworzyć lub wzmacniać inne, na przykład pomiędzy przedmiotami, grupami pracowników czy studentami o różnym poziomie dostępu i wsparcia. Zebrane dane służą następnie do korygowania programu studiów, doskonalenia zawodowego, oceniania i wdrażania.

Na tym etapie ustanawia się również regularny cykl przeglądu wytycznych opracowanych na etapie 2, które będą musiały ewoluować wraz ze zmianami technologii, praktyk i warunków regulacyjnych.

9. Instytucjonalizacja i skalowanie

Ostatni etap przenosi udane działania ze statusu projektu do stałych struktur instytucji. Oznacza to jasne przypisanie odpowiedzialności, zdefiniowane zadania, odpowiednie zasoby oraz włączenie w istniejące procesy, takie jak rozwój programów studiów i zapewnianie jakości. Skalowanie powinno uwzględniać własny kontekst, możliwości i profil instytucji, a nie jeden uniwersalny model. Instytucjonalizacja oznacza także tworzenie mechanizmów odnowy: technologie SI, praktyki edukacyjne i potrzeby instytucji będą się nadal zmieniać, więc sam model nie może pozostać niezmienny.

Etap jest zakończony, gdy praca toczy się dalej po odejściu osób, które ją zapoczątkowały.

Wasza szczególna sytuacja

Instytucje kształcenia nauczycieli realizują jednocześnie dwa zadania. Przekształcacie własne nauczanie i jednocześnie przygotowujecie przyszłe nauczycielki i przyszłych nauczycieli do pracy w klasach, nad którymi nie macie kontroli, w warunkach, których nie da się w pełni przewidzieć, przy użyciu technologii, która może się zmienić, zanim Wasi absolwenci tam dotrą. Te dwa zadania są ze sobą ściśle powiązane. Skupienie się wyłącznie na wewnętrznej transformacji grozi powstaniem programów związanych z SI bez wystarczającego powiązania z przyszłą praktyką szkolną. Skupienie się wyłącznie na przyszłej praktyce szkolnej grozi unowocześnieniem programu bez zmiany instytucji, która go realizuje. Dlatego mapa drogowa traktuje oba wymiary łącznie.

Etap 3 umożliwia wszystko, co następuje później. Wiele późniejszych działań zależy od potencjału osób kształcących nauczycieli. Ich ekspertyza leży w ich dyscyplinach i dydaktyce przedmiotowej, więc integracja SI nie jest po prostu kwestią dodania kolejnego narzędzia. Doskonalenie zawodowe musi łączyć wykorzystanie SI z nauczaniem, uczeniem się i ocenianiem w konkretnych przedmiotach, zamiast traktować je jako ogólną kompetencję techniczną. Z tego powodu etap 3 zasługuje na szczególną uwagę, gdy zasoby są ograniczone.

Gdzie etap 4 staje się trudny. Zasada, że kompetencje w zakresie SI powinny być osadzone w dydaktyce przedmiotowej, a nie omawiane wyłącznie w osobnym module, łatwo się formułuje, ale znacznie trudniej wdraża. Osobny moduł można przypisać jednej osobie, natomiast rozproszona integracja wymaga, by wiele osób przemyślało na nowo części własnego nauczania. Tam, gdzie osobny moduł jest użyteczny jako krok przejściowy, powinien on być powiązany z długofalowym planem integracji w całym programie.

Wasza wyjątkowa dźwignia na etapie 5. Etap 5 uwypukla szczególną cechę kształcenia nauczycieli: Wasi studenci są dziś osobami uczącymi się, a jutro nauczycielami. To, jak ich uczycie, staje się więc częścią tego, czego uczą się o nauczaniu. Jeśli osoby przygotowujące się do zawodu doświadczą przemyślanego nauczania z wykorzystaniem SI w roli uczących się, poznają konkretne wzorce, nad którymi mogą później się zastanowić i dostosować je do własnej praktyki. Nauczanie o SI bez modelowania jej pedagogicznego wykorzystania daje zupełnie inne doświadczenie. Dlatego etap 5 wykracza poza samą reformę oceniania.

Etap 6 to Wasz interfejs ze szkołami. Wasza oferta ustawicznego doskonalenia zawodowego jest punktem wejścia. Rozszerza ona zasięg instytucji poza przyszłych nauczycieli na osoby już pracujące w klasach. Jednocześnie współpraca z czynnymi nauczycielami może wnieść aktualne doświadczenie z klas z powrotem do kształcenia nauczycieli. Doskonalenie zawodowe może zatem pełnić funkcję nie tylko usługi świadczonej szkołom, lecz także kanału wzajemnego uczenia się między szkołami a instytucjami kształcenia nauczycieli.

Co możecie zrobić, czego nie mogą szkoły

Instytucje kształcenia nauczycieli mają zwykle większe możliwości zmiany programów i form oceniania, dostęp do potencjału badawczego oraz mandat do pracy z wieloma szkołami. Nadaje to szczególną wartość etapom 7 i 8: to, czego uczycie się dzięki pilotażom i ewaluacji, może być przydatne nie tylko dla Waszej instytucji, lecz także dla szkół partnerskich i szerszego systemu. Upowszechnianie tych doświadczeń może również wspierać przyjmowanie nowych praktyk gdzie indziej.

Od czego zacząć, gdy wszystko jest pilne. Zacznijcie od etapu 2 i etapu 3. Ramy zarządzania zmniejszają niepewność, a potencjał kadry tworzy warunki do sensownej pracy na etapach od 4 do 6. Rozpoczęcie od zmiany programu studiów, zanim kadra będzie w stanie ją wdrożyć, grozi wprowadzeniem zmian na papierze, które trudno zrealizować w praktyce.

6. Zasoby i Słownik

6. Zasoby i Słownik

6.1 Zasoby

Publikacje recenzowane

Ali, R., Tang, O. Y., Connolly, I. D., Abdulrazeq, H. F., Mirza, F. N., Lim, R. K., Johnston, B. R., Groff, M. W., Williamson, T., Svokos, K., Libby, T. J., Shin, J. H., Gokaslan, Z. L., Doberstein, C. E., Zou, J., & Asaad, W. F. (2024). Demographic representation in 3 leading artificial intelligence text-to-image generators. JAMA Surgery, 159(1), 87–95. https://doi.org/10.1001/jamasurg.2023.5695

Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.

Autenrieth, D., & Schluchter, J.-R. (2026). Künstliche Intelligenz und inklusive Bildung: Empirische Perspektiven auf Einstellungen und Nutzungsmuster von Lehrkräften [Artificial intelligence and inclusive education: Empirical perspectives on teachers' attitudes and usage patterns]. Medienimpulse, 64(1). https://doi.org/10.21243/mi-01-26-24 

Barnes, M., & Tour, E. (2026). Teachers' use of generative AI: A 'dirty little secret'? Language and Education, 40(1), 24–39. https://doi.org/10.1080/09500782.2025.2485935

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122

BEKIARIDIS, G. (author) and ATTWELL, G. (ed.), Supplement to the DigCompEDU Framework: Outlining the Skills and Competences of Educators Related to AI in Education, AI Pioneers – Work Package 3, Erasmus+ Programme, European Union, 2024. Available at: https://aipioneers.org/wp-content/uploads/2024/01/WP3_Supplement_to_the_DigCompEDU_English.pdf 

BLOOM, B.S. (ed.), ENGELHART, M.D., FURST, E.J., HILL, W.H. and KRATHWOHL, D.R., Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook I: Cognitive Domain, David McKay Company, New York, 1956.

Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287

Dier, M. (2025). KI-Kompetenzprofile von Lehrkräften an beruflichen Schulen: Vom Wissen zum didaktischen Handeln [AI competence profiles of vocational school teachers: From knowledge to didactic action]. Journal of Technical Education, 13(2), 66–85. https://doi.org/10.48513/joted.v13i2.328

Dong, Y. (2026). Generative AI technologies and educational outcomes: A comprehensive meta-analysis comparing traditional and AI-driven approaches. Humanities and Social Sciences Communications, 13(1), Article 559. https://doi.org/10.1057/s41599-026-06903-y

Farrokhnia, M., Latifi, S., Papadopoulos, P. M., Hogenkamp, L., Gijlers, H., Khosravi, H., & Noroozi, O. (2026). Generative AI offers more, but students revise less: Comparing the effects of teacher and AI feedback on student essay revisions. International Journal of Educational Technology in Higher Education, 23(1), Article 6. https://doi.org/10.1186/s41239-026-00579-9

Fleckenstein, J., Liebenow, L. W., & Meyer, J. (2023). Automated feedback and writing: A multi-level meta-analysis of effects on students' performance. Frontiers in Artificial Intelligence, 6, Article 1162454. https://doi.org/10.3389/frai.2023.1162454

Jaggy, A.-K., Jansen, T., Fütterer, T., & Trautwein, U. (2026). Almighty ChatGPT? Development of gifted secondary school students' AI (mis)conceptions. Journal of Educational Psychology. Advance online publication. https://doi.org/10.1037/edu0001063

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6 

Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory Into Practice, 41(4), 212–218.

Lee, V. R., Pope, D., Miles, S., & Zárate, R. C. (2024). Cheating in the age of generative AI: A high school survey study of cheating behaviors before and after the release of ChatGPT. Computers and Education: Artificial Intelligence, 7, Article 100253. https://doi.org/10.1016/j.caeai.2024.100253

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779

Liu, B., Zhang, W., & Wang, F. (2026). Can generative artificial intelligence effectively enhance students' mathematics learning outcomes? A meta-analysis of empirical studies from 2023 to 2025. Education Sciences, 16(1), Article 140. https://doi.org/10.3390/educsci16010140

Maršálek, R., & Teplá, M. (2026). "Is AI inevitable?" Development of attitudes and practices of Czech teachers between 2023 and 2025. Education Sciences, 16(2), Article 335. https://doi.org/10.3390/educsci16020335

MIAO, F. and CUKUROVA, M., AI Competency Framework for Teachers, UNESCO, 2024. ISBN 978-92-3-100707-1. DOI: https://doi.org/10.54675/ZJTE2084 

REDECKER, C., European Framework for the Digital Competence of Educators: DigCompEdu, PUNIE, Y. (ed.), EUR 28775 EN, Publications Office of the European Union, Luxembourg, 2017. ISBN 978-92-79-73494-6 (pdf). DOI: https://doi.org/10.2760/159770. JRC107466.

Rind, I. A. (2026). Conceptualizing the impact of AI on teacher knowledge and expertise: A cognitive load perspective. Education Sciences, 16(1), Article 57. https://doi.org/10.3390/educsci16010057

Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41, 259–278. https://doi.org/10.1007/s00146-025-02422-7

Rowe, J., Klimaszewski, M., Guillou, L., Vallor, S., & Birch, A. (2025). EuroGEST: Investigating gender stereotypes in multilingual language models. In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 32074–32096). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.emnlp-main.1632

Scarfe, P., Watcham, K., Clarke, A., & Roesch, E. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A "Turing Test" case study. PLOS ONE, 19(6), Article e0305354. https://doi.org/10.1371/journal.pone.0305354

Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th International Conference on Intelligent User Interfaces (pp. 410–422). Association for Computing Machinery. https://doi.org/10.1145/3581641.3584066

Tian, Z., Liu, A., Esbenshade, L., Sarkar, S., Zhang, Z., He, K., & Sun, M. (2025). Implementation considerations for automated AI grading of student work. In J. Wilson, C. Ormerod, & M. Beiting Parrish (Eds.), Proceedings of the Artificial Intelligence in Measurement and Education Conference (AIME-Con): Full papers (pp. 9–20). National Council on Measurement in Education. https://aclanthology.org/2025.aimecon-main.2/ 

Vartiainen, H., Kahila, J., Tedre, M., López-Pernas, S., & Pope, N. (2025). Enhancing children's understanding of algorithmic biases in and with text-to-image generative AI. New Media & Society, 27(9), 5342–5368. https://doi.org/10.1177/14614448241252820

Wang, J., & Fan, W. (2025). RETRACTED ARTICLE: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12(1), Article 621. https://doi.org/10.1057/s41599-025-04787-y 

Wang, J., & Fan, W. (2026). Retraction note: The effect of ChatGPT on students' learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 13(1), Article 528. https://doi.org/10.1057/s41599-026-07310-z

Weinmann, H., Messingschlager, T. V., & Appel, M. (2026). Gender bias in text-to-image generative artificial intelligence: Neglect and stereotypical presentations across three popular platforms. New Media & Society. Advance online publication. https://doi.org/10.1177/14614448261435197

Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications, 13(1), Article 684. https://doi.org/10.1057/s41599-026-07019-z

Yan, D., & Zhang, S. (2024). L2 writer engagement with automated written corrective feedback provided by ChatGPT. Humanities and Social Sciences Communications, 11, Article 1086. https://doi.org/10.1057/s41599-024-03543-y

Yeo, G. H., & Lansford, J. E. (2025). Effects of artificial intelligence on educational functioning: A review and meta-analysis. Educational Psychology Review, 37(4), Article 110. https://doi.org/10.1007/s10648-025-10085-5 

Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The effectiveness of AI on K-12 students' mathematics learning: A systematic review and meta-analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. https://doi.org/10.1007/s10763-024-10499-7

Yu, H., & Xie, Q. (2025). Generative AI vs. teachers: Feedback quality, feedback uptake, and revision. Language Teaching Research Quarterly, 47, 113–137. https://doi.org/10.32038/ltrq.2025.47.07

Zhang, L., Carter, R. A., Jr., Liu, Y., & Peng, P. (2026). Let's CHAT about artificial intelligence for students with disabilities: A systematic literature review and meta-analysis. Review of Educational Research, 96(1), 215–257. https://doi.org/10.3102/00346543241293424

Preprinty, artykuły robocze i raporty z badań

Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K-12 schools (NBER Working Paper No. 35347). National Bureau of Economic Research. https://doi.org/10.3386/w35347 

Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R. H., & Lombardi, M. (2026). Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment (NBER Working Paper No. 34851; rev. October 2026). National Bureau of Economic Research. https://doi.org/10.3386/w34851 

Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate (arXiv:2509.04664v1) [Preprint]. arXiv. https://arxiv.org/abs/2509.04664 

Lehmann, M., Cornelius, P. B., & Sting, F. J. (2025). AI meets the classroom: When do large language models harm learning? (arXiv:2409.09047v2) [Preprint]. arXiv. https://arxiv.org/abs/2409.09047 

Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education [Report]. Australian Network for Quality Digital Education; University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475

Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., & Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming (arXiv:2605.04779v1) [Preprint]. arXiv. https://arxiv.org/abs/2605.04779 

Shao, J., Wu, Q., Zhang, H., Sun, S., & Zhuang, J. (2026). Mitigating scaffolding collapse in Socratic tutors via representation alignment (arXiv:2607.19371v1) [Preprint]. arXiv. https://arxiv.org/abs/2607.19371

Paris, A., Labetoulle, A., Bezjak, S., Butler, D., Cardoso-Leite, P., Chesné, J.-F., Kirsch, C., Mori, S., Nardi, A., Nencioni, P., Niewint, J., Rossi, F., Storai, F., Toci, V., & Mirazchiyski, P. V. (2023). Comparative European evaluation report (AI4T – Artificial Intelligence for and by Teachers, Deliverable D3.3). Cnesco-Cnam; France Éducation international. https://cnesco.fr/wp-content/uploads/2024/05/AI4T_WP3_D3.3_Comparative-European-Evaluation-Report.pdf 

Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D. (2024). ChatGPT in lesson preparation: A Teacher Choices Trial [Evaluation report]. National Foundation for Educational Research; Education Endowment Foundation; The Hg Foundation. https://www.nfer.ac.uk/publications/chatgpt-in-lesson-preparation-a-teacher-choices-trial/

Staksrud, E., Mascheroni, G., Milosevic, T., Ní Bhroin, N., Ólafsson, K., Şengül-İnal, G., & Stoilova, M. (2026). European children's use and understanding of generative AI: EU Kids Online 2026 (EU Kids Online Reports No. 1). London School of Economics and Political Science. https://doi.org/10.21953/researchonline.lse.ac.uk.00137132

Statystyki i raporty organizacji

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084

OECD. (2025). Results from TALIS 2024: The state of teaching. OECD Publishing. https://doi.org/10.1787/90df6235-en

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en

UNESCO. (2023). Global education monitoring report 2023: Technology in education – A tool on whose terms? https://doi.org/10.54676/UZQV8501

Badania ankietowe i raporty fundacji, organizacji pozarządowych i in.

Bellio, N., & Kayser-Bril, N. (2024, March 4). Wie Bildgeneratoren die Welt zeigen: Stereotypen statt Vielfalt [How image generators show the world: Stereotypes instead of diversity]. AlgorithmWatch. https://algorithmwatch.org/de/bildgeneratoren-stereotypen/

Human Rights Watch. (2022, May 25). "How dare they peep into my private life?": Children's rights violations by governments that endorsed online learning during the Covid-19 pandemic. https://www.hrw.org/report/2022/05/25/how-dare-they-peep-my-private-life/childrens-rights-violations-governments

Latham, K., & Montacute, R. (2025, July). Artificial advantage? AI in the classroom and the inequality gap. The Sutton Trust. https://www.suttontrust.com/wp-content/uploads/2025/07/Artificial-advantage.pdf

Medienpädagogischer Forschungsverbund Südwest. (2024). JIM-Studie 2024. Jugend, Information, Medien: Basisuntersuchung zum Medienumgang 12- bis 19-Jähriger [JIM study 2024: Youth, information, media]. https://mpfs.de/studie/jim-studie-2024/

Michel, L. P., & Goertz, L. (2025). mmb-Trendmonitor 2024/2025. Weiterbildung und digitales Lernen heute und in drei Jahren [mmb trend monitor 2024/2025: Continuing education and digital learning today and in three years] (Results of the 19th mmb Learning Delphi). mmb Institut. https://www.mmb-institut.de/wp-content/uploads/mmb-Trendmonitor_2024-2025.pdf

Robert Bosch Stiftung. (2026). Deutsches Schulbarometer 2026: Befragung Lehrkräfte [German School Barometer 2026: Teacher survey] (Survey conducted by forsa). https://www.bosch-stiftung.de/sites/default/files/documents/2026-06/RBSG_Deutsches_Schulbarometer_Lehrkr%C3%A4fte_2026.pdf

Trucano, M. (2023, July 10). AI and the next digital divide in education. Brookings Institution. https://www.brookings.edu/articles/ai-and-the-next-digital-divide-in-education/

Vodafone Stiftung Deutschland. (2024, March). Pioniere des Wandels: Wie Schüler:innen KI im Unterricht nutzen möchten [Pioneers of change: How students want to use AI in the classroom] (Survey conducted by infratest dimap). https://www.vodafone-stiftung.de/pioniere-des-wandels/

Walton Family Foundation, & Gallup. (2025, June). Teaching for tomorrow: Unlocking six weeks a year with AI. https://news.gallup.com/poll/691967/three-teachers-weekly-saving-six-weeks-year.aspx

Dokumenty instytucjonalne

Børne- og Undervisningsministeriet, Styrelsen for Undervisning og Kvalitet. (2025, August 22). Forsøg med prøverne i engelsk A (stx) [Trial of the English A examinations (stx)] (Case 25/23313). https://www.uvm.dk/-/media/filer/uvm/udd/gym/pdf25/aug/250822-forsoeg-med-proeverne-i-engelsk-a--stx-.pdf 

Commission nationale de l'informatique et des libertés. (2025, June 20). Enseignant : comment utiliser un système d'IA dans le respect du RGPD ? [Teachers: How to use an AI system in compliance with the GDPR]. https://www.cnil.fr/fr/enseignant-usage-systeme-ia 

Department of Education Northern Ireland. (2026, May 6). Givan announces roll-out of AI tools and training for Northern Ireland teachers [Press release]. https://www.education-ni.gov.uk/news/givan-announces-roll-out-ai-tools-and-training-northern-ireland-teachers 

Der Hamburgische Beauftragte für Datenschutz und Informationsfreiheit. (2023, November 13). Checkliste zum Einsatz LLM-basierter Chatbots [Checklist for the use of LLM-based chatbots]. https://datenschutz-hamburg.de/fileadmin/user_upload/HmbBfDI/Datenschutz/Informationen/20231113_Checkliste_LLM_Chatbots_DE.pdf 

European Commission. (2026, September 7). Market surveillance authorities under the AI Act. https://digital-strategy.ec.europa.eu/en/policies/market-surveillance-authorities-under-ai-act 

FWU Institut für Film und Bild in Wissenschaft und Unterricht. (n.d.). AIS.chat (vormals telli). Retrieved October 16, 2026, from https://fwu.de/ais-chat/ 

Haridus- ja Teadusministeerium. (2026, March 8). Europe's top PISA performer showcases AI Leap programme as global summit opens in Tallinn [Press release]. https://www.hm.ee/en/news/europes-top-pisa-performer-showcases-ai-leap-programme-global-summit-opens-tallinn 

Joint Council for Qualifications. (2025). AI use in assessments: Protecting the integrity of qualifications (Effective from 30 April 2025). https://www.jcq.org.uk/exams-office/malpractice/artificial-intelligence/

Kennisnet. (2026, January 15). Toetsing en generatieve AI in het voortgezet onderwijs [Assessment and generative AI in secondary education] (updated April 28, 2026). https://www.kennisnet.nl/ 

Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder. (2024, May 6). Orientierungshilfe: Künstliche Intelligenz und Datenschutz [Guidance: Artificial intelligence and data protection] (Version 1.0). https://www.datenschutzkonferenz-online.de/media/oh/20240506_DSK_Orientierungshilfe_KI_und_Datenschutz.pdf 

Kultusministerkonferenz. (2024, October 10). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen [Recommendation for education administrations on artificial intelligence in school education] (Resolution of the Bildungsministerkonferenz; rev. ed. March 2025). https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf

Ministère de l'Éducation nationale. (2025, June 13). Cadre d'usage de l'IA en éducation [Framework for the use of AI in education]. https://www.education.gouv.fr/cadre-d-usage-de-l-ia-en-education-450647 

Ministère de l'Éducation nationale. (2026, February). M.I.A. Seconde, une approche personnalisée de la remédiation en français et en mathématiques [M.I.A. Seconde: A personalised approach to remediation in French and mathematics]. Éduscol. https://eduscol.education.gouv.fr/6693/mia-seconde-une-approche-personnalisee-de-la-remediation-en-francais-et-en-mathematiques 

Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, January 15). 20-tisíc licencií ChatGPT Edu podporí rozvoj digitálnych zručností budúcich učiteľov [20,000 ChatGPT Edu licences will support future teachers' digital skills] [Press release]. https://www.minedu.sk/20-tisic-licencii-chatgpt-edu-podpori-rozvoj-digitalnych-zrucnosti-buducich-ucitelov/ 

Ministerstvo školstva, výskumu, vývoja a mládeže Slovenskej republiky. (2026, May 12). Ministerstvo chce do konca roka sprístupniť AI nástroje pre všetkých učiteľov na Slovensku [The ministry wants to make AI tools available to all teachers in Slovakia by the end of the year] [Press release]. https://www.minedu.sk/ministerstvo-chce-do-konca-roka-spristupnit-ai-nastroje-pre-vsetkych-ucitelov-na-slovensku/ 

Ministerium für Schule und Bildung des Landes Nordrhein-Westfalen. (n.d.). Dienstanweisung für die automatisierte Verarbeitung von personenbezogenen Daten in der Schule (BASS 10-41 Nr. 4). Retrieved October 16, 2026, from https://bass.schule.nrw/17585.htm 

Bayerisches Staatsministerium für Unterricht und Kultus. (n.d.). Private Endgeräte im Dienstgebrauch [Private devices for official use]. Retrieved October 16, 2026, from https://www.km.bayern.de/gestalten/digitalisierung/datensicherheit/private-endgeraete-im-dienstgebrauch 

Office of Qualifications and Examinations Regulation. (2026, March). SLT briefing pack: AI and coursework integrity (Version 2.5). https://www.gov.uk/government/organisations/ofqual 

Scheiter, K., Bauer, E., Omarchevska, Y., Schumacher, C., & Sailer, M. (2025). Künstliche Intelligenz in der Schule: Eine Handreichung zum Stand in Wissenschaft und Praxis [Artificial intelligence in schools: A guide to the state of research and practice]. Bundesministerium für Bildung, Familie, Senioren, Frauen und Jugend. https://www.empirische-bildungsforschung-bmbfsfj.de/img/KI_Review.pdf 

Statsministerens kontor, & Kunnskapsdepartementet. (2026, June 19). Ny nasjonal anbefaling: Kunstig intelligens skal i all hovedsak ikke brukes i barneskolen [New national recommendation: AI should as a rule not be used in primary school] [Press release]. https://www.regjeringen.no/no/aktuelt/kunstig-intelligens-skal-i-all-hovedsak-ikke-brukes-i-barneskolen/id3166807/ 

SURF. (2026, May 27). Privacy risks Microsoft 365 Copilot remain 'orange' despite improvements. https://www.surf.nl/en/news/privacy-risks-microsoft-365-copilot-remain-orange-despite-improvements 

Transport for London. (2022, March). The Knowledge of London: An introduction to learning the Knowledge of London and the examination process. https://foi.tfl.gov.uk/FOI-0355-2425/Introduction%20to%20Knowledge%20Booklet%20(March%202022).pdf 

Vanderbilt University, Brightspace Support. (2023, August 16). Guidance on AI detection and why we're disabling Turnitin's AI detector. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/ 

Verband Bildungsmedien. (n.d.). Urheberrecht und KI [Copyright and AI]. Schulbuchkopie.de. Retrieved October 16, 2026, from https://www.schulbuchkopie.de/index.php/urheberrecht-und-ki 

ZHAW Zürcher Hochschule für Angewandte Wissenschaften. (2026). Verwendung generativer KI-Systeme bei Leistungsnachweisen [Use of generative AI systems in assessments] (Richtlinie Z-RL, Version 4.0.0). https://gpmpublic.zhaw.ch/GPMDocProdDPublic/Vorgabedokumente_ZHAW/Z_RL_Richtlinie_KI_bei_Leistungsnachweisen.pdf 

Źródła prasowe

AI Leap Foundation. (n.d.). AI Leap (TI-Hüpe). Retrieved October 16, 2026, from https://tihupe.ee/en 

Depue, W. (2023, November 6). What's new with DALL·E 3? OpenAI Cookbook. https://developers.openai.com/cookbook/articles/what_is_new_with_dalle_3 

EvidenceB. (2022, November 30). EvidenceB et Docaposte remportent le marché public pour offrir un service de remédiation en français et en mathématiques pour tous les nouveaux lycéens de France [Press release]. https://evidenceb.fr/evidenceb-et-docaposte-remportent-le-marche-public/ 

OpenAI. (2022, July 18). Reducing bias and improving safety in DALL·E 2. https://openai.com/index/reducing-bias-and-improving-safety-in-dall-e-2 

Raghavan, P. (2024, February 23). Gemini image generation got it wrong. We'll do better. The Keyword (Google). https://blog.google/products/gemini/gemini-image-generation-issue/

Akty prawne

Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation), OJ L 119, 4.5.2016, p. 1. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng

Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act), OJ L, 2024/1689, 12.7.2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng — consolidated version of 27 July 2026: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A02024R1689-20260727 

Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI), OJ L, 2026/1744, 24.7.2026 (in force 27 July 2026; corrigendum 29 September 2026). https://eur-lex.europa.eu/eli/reg/2026/1744/oj/eng 

Gesetz über Urheberrecht und verwandte Schutzrechte (Urheberrechtsgesetz – UrhG) [German Copyright Act], §§ 2, 16, 44a, 44b, 60a, 97. https://www.gesetze-im-internet.de/urhg/ 

Schulgesetz für Baden-Württemberg (SchG), § 115b. https://www.landesrecht-bw.de/ 

Bayerisches Hochschulinnovationsgesetz (BayHIG), as amended by the Act of 8 May 2026 (GVBl. p. 208). https://www.gesetze-bayern.de/ 

Orzeczenia sądowe

Verwaltungsgericht Hamburg, Beschluss vom 15. Dezember 2025, 2 E 8786/25 (interim relief, § 123 VwGO; not final). https://justiz.hamburg.de/resource/blob/1128534/4a02d061e1d2a47e4ff1449241831117/2-e-8786-25-beschluss-vom-15-12-25-data.pdf 

Verwaltungsgericht Kassel, Urteile vom 25. Februar 2026, 7 K 2134/24.KS und 7 K 2515/25.KS (appeal admitted; not final). Press release No. 1/2026 of 26 February 2026. https://verwaltungsgerichtsbarkeit.hessen.de/presse/unzulaessige-nutzung-kuenstlicher-intelligenz-bei-studentischen-pruefungsleistungen 

Landgericht München I, Urteil vom 11. November 2025, 42 O 14139/24 (GEMA v. OpenAI; appeal pending before the OLG München). 

Raad van State (Afdeling bestuursrechtspraak), uitspraak van 30 juli 2025, 202501708/1/A2, ECLI:NL:RVS:2025:3585. https://uitspraken.rechtspraak.nl/details?id=ECLI:NL:RVS:2025:3585 

Tribunal administratif de Paris, ordonnance du 12 février 2026, n° 2600972 (référé). 

Kammarrätten i Göteborg, dom den 14 juli 2023, mål nr 4285-23. Reported in Processrätt (2023, November 4), https://processratt.se/kammarratten-i-goteborg-upphaver-disciplinnamndens-beslut-om-fusk-med-ai-verktyg/

6. Zasoby i Słownik

6.2 Słownik i Kluczowe Pojęcia

Pojęcie

Synonimy

Definicja

A

Adaptacyjna platforma edukacyjna

(ang. Adaptive learning platform)

Platforma, która dostosowuje treści, tempo lub ścieżkę uczenia się do indywidualnego ucznia.

Adaptacyjne oprogramowanie do ćwiczeń

(ang. Adaptive practice software)

Oprogramowanie do ćwiczeń, już stosowane w szkołach, które dostosowuje zadania do odpowiedzi ucznia. Chatboty oparte na generatywnej SI wykazały większe efekty w zakresie wiedzy i rozumienia.

Administrator danych

(ang. Controller, data controller)

Zgodnie z RODO podmiot odpowiedzialny za przetwarzanie danych osobowych. W szkołach jest to zazwyczaj szkoła.

AI Act

Akt w sprawie sztucznej inteligencji, rozporządzenie (UE) 2024/1689 (ang. EU AI Act)

Jednolity, oparty na ryzyku zbiór przepisów UE dotyczących SI. Klasyfikuje systemy SI według stwarzanego przez nie ryzyka – od praktyk zakazanych, przez zastosowania wysokiego ryzyka, po codzienne narzędzia nieobjęte szczególnymi przepisami – i ma zastosowanie do organizacji publicznych i prywatnych, w tym szkół. Obowiązuje od 1 sierpnia 2024 r., a jego przepisy wchodzą w życie stopniowo do 2027 r.

AI Pioneers

 

Ramy rozszerzające DigCompEdu o kompetencje nauczycieli specyficzne dla SI.

Anonimizacja

(ang. Anonymisation)

Przekształcenie danych w taki sposób, aby nie można było zidentyfikować osoby, nawet na podstawie kontekstu. Usunięcie imion i nazwisk nie jest anonimizacją, zwłaszcza w przypadku wypracowań i dzienników uczenia się, których autora można rozpoznać po stylu.

Asystent SI

(ang. AI Assistant)

Narzędzie SI, które wykonuje pracę w imieniu użytkownika. Może zmniejszyć różnice w efektach pracy między użytkownikami, ale nie różnice w ich umiejętnościach.

Automatyczne ocenianie

Automatyczne punktowanie (ang. Automated grading, automated scoring, automated assessment)

Wykorzystywanie oprogramowania do punktowania lub oceniania prac. W egzaminie certyfikacyjnym dotyczy to pytań z odpowiedziami do wyboru.

B

Baza danych UE

(ang. EU database)

Unijny rejestr, w którym organy publiczne mogą być zobowiązane do rejestrowania wykorzystywanych przez siebie systemów SI wysokiego ryzyka (art. 49 AI Act).

Bezpieczeństwo techniczne

(ang. Technical safety)

Niezawodność i odporność systemu SI, dzięki którym działa on zgodnie z przeznaczeniem i nie wyrządza szkód.

Błąd automatyzacji

Nadmierne zaufanie (ang. Automation Bias, over-trust)

Akceptowanie sugestii maszyny bez samodzielnego jej sprawdzenia.

C

Certyfikat

(ang. Certificate)

Formalny dokument potwierdzający osiągnięcie kompetencji.

Chatbot SI

Chatbot (ang. AI Chatbot)

Program prowadzący rozmowę w języku naturalnym, obecnie zwykle oparty na dużym modelu językowym.

D

Dane biometryczne

(ang. Biometric data)

Dane dotyczące cech fizycznych, takich jak twarz czy głos. Stanowią szczególną kategorię danych w rozumieniu RODO, a kilka zastosowań SI opartych na takich danych jest w szkołach zakazanych.

Dane diagnostyczne

Telemetria (ang. Diagnostic data)

Dane techniczne gromadzone przez dostawcę na temat sposobu korzystania z jego usługi. Czas ich przechowywania jest kwestią ochrony danych.

Dane osobowe

(ang. Personal data)

Wszelkie informacje o możliwej do zidentyfikowania osobie, np. imiona i nazwiska, szkolne adresy e-mail, prace uczniów, nagrania głosu, zdjęcia, oceny, dane o obecności i postępach w nauce. Dane pozostają osobowe, jeśli na podstawie kontekstu można kogoś zidentyfikować.

Dane treningowe

Materiał treningowy, przykłady treningowe (ang. Training data)

Przykłady, na których uczy się system SI, np. miliony obrazów opisanych przez ludzi. Skrzywienia w tym materiale przenoszą się na wyniki systemu i nie znikają tylko dlatego, że modele stają się większe.

Decyzja stwierdzająca odpowiedni stopień ochrony

(ang. Adequacy decision)

Decyzja UE stwierdzająca, że państwo spoza UE zapewnia odpowiedni poziom ochrony danych osobowych, dzięki czemu można tam przekazywać dane.

Deepfake

 

Wygenerowane lub zmanipulowane przez SI treści graficzne, dźwiękowe lub wideo, które sprawiają wrażenie autentycznych. Ich wykorzystanie na lekcji musi zostać ujawnione (art. 50 ust. 4 AI Act).

Detektor SI

(ang. AI Detector)

Oprogramowanie twierdzące, że identyfikuje tekst napisany przez maszynę. To, co faktycznie mierzy, to przewidywalność.

Deterministyczny

(ang. Deterministic)

Zawsze dający dokładnie ten sam wynik przy tych samych wartościach początkowych.

DigCompEdu

 

Europejskie ramy kompetencji cyfrowych nauczycieli. Zapewniają strukturę pedagogiczną (wymiar poziomy) ram DUAL.AI.TEACHer.

Digital Hub

Cyfrowe centrum

Centralna platforma internetowa, która skupia zasoby, kursy i wymianę społecznościową projektu.

Doskonalenie zawodowe

CPD, doskonalenie zawodowe nauczycieli (ang. Continuing professional development, in-service training)

Kształcenie zawodowe nauczycieli już pracujących w szkołach. Etap 6 mapy drogowej przekształca je w ustrukturyzowaną ofertę z mikropoświadczeniami, które można łączyć.

Dostawca

Dostawca SI (ang. Provider)

Firma, która opracowuje i oferuje system SI. Zazwyczaj odpowiada za informowanie użytkowników, że wchodzą w interakcję z SI; gdy przetwarza dane na rzecz szkoły, działa jako podmiot przetwarzający w rozumieniu RODO.

Dostrajanie

Dostrajanie modelu, trening bezpieczeństwa (ang. Tuning)

Korekty, które dostawca wprowadza po wstępnym treningu, aby sterować tym, co system pokazuje lub mówi, np. aby uczynić go bezpieczniejszym, bardziej sprawiedliwym lub bardziej różnorodnym. Dostrajanie jest niewidoczne w wynikach, może chybić i może się zmienić bez uprzedzenia.

Duży model językowy (LLM)

LLM (ang. Large Language Model)

Model SI wytrenowany na dużych ilościach tekstu, który generuje prawdopodobne kontynuacje tekstu; podstawa chatbotów. Działa jak mechanizm przewidywania, a nie jak baza danych.

Dyfuzja innowacji

(ang. Diffusion of innovations)

Teoria opisująca, jak rozprzestrzeniają się innowacje: są chętniej przyjmowane, gdy można je wypróbować (testowalność) i zobaczyć ich działanie (obserwowalność).

Dyrektor szkoły

Kadra kierownicza szkoły (ang. School Administrator, school leader, head teacher)

Osoba odpowiedzialna za kierowanie szkołą, np. dyrektor lub wicedyrektor. Rozdział 5.3 zwraca się bezpośrednio do tych osób.

Działanie oceniające

(ang. Assessment Activity)

Działanie służące do sprawdzenia, czy osiągnięto efekty uczenia się.

E

Edycja kursu

(ang. Course Run)

Konkretna realizacja kursu z zapisanymi uczestnikami i określonymi ramami czasowymi.

Efekt nowości

(ang. Novelty effect)

Przejściowy pozytywny efekt wynikający wyłącznie z tego, że coś jest nowe. Może zawyżać wyniki badań krótkoterminowych.

Efekt św. Mateusza

(ang. Matthew effect)

Najwięcej korzystają ci, którzy już mają przewagę: „każdemu, kto ma, będzie dodane”.

Efekt uczenia się

(ang. Learning Outcome)

Mierzalne stwierdzenie opisujące, co uczący się powinien wiedzieć lub umieć.

Efekt wzmocnienia

Wzmacnianie a wyrównywanie (ang. Amplification effect)

SI ma tendencję do pogłębiania istniejących różnic. Wyrównuje je tylko wtedy, gdy jednocześnie spełnione są trzy warunki: zapewniony dostęp, narzędzie zaprojektowane do uczenia się, a nie do udzielania odpowiedzi, oraz nauczyciel, który wspiera i ukierunkowuje jego wykorzystanie.

Egzamin online

(ang. Online Exam)

Formalna, ustrukturyzowana ocena przeprowadzana online w ramach procesu ewaluacji.

EntreComp

 

Europejskie ramy kompetencji w zakresie przedsiębiorczości. Wniosły do ram DUAL.AI.TEACHer kreatywność i innowacyjność.

ESCO

 

Europejska klasyfikacja umiejętności, kompetencji, kwalifikacji i zawodów. Certyfikacja jest z nią zgodna.

Etyka SI

(ang. Ethics of AI)

Zasady etyczne, regulacje, polityki instytucjonalne i praktyczne wytyczne dotyczące wykorzystania SI, które nauczyciele muszą rozumieć i stosować. Aspekt przekrojowy wymiaru pionowego.

Europass

 

Platforma UE, za pośrednictwem której można udostępniać cyfrowe certyfikaty, a instytucje trzecie mogą sprawdzać ich ważność.

Europejska rama kwalifikacji

ERK (ang. European Qualifications Framework, EQF)

Unijna rama odniesienia, która umożliwia porównywanie kwalifikacji między krajami. Certyfikacja jest z nią zgodna.

F

Fałszywie pozytywny wynik

(ang. False Positive)

Poprawna, uczciwa praca błędnie oznaczona jako podejrzana. Błąd, który szkodzi uczniom.

Filtr treści

(ang. Content filter)

Automatyczny mechanizm, który blokuje lub zmienia treści uznane przez dostawcę za nieodpowiednie. Jego kryteria często nie są ujawniane.

G

Generator obrazów z tekstu

Generator obrazów (ang. Text-to-image generator)

Generatywna SI tworząca obrazy na podstawie pisemnego promptu. To, co pokazuje, zależy od danych treningowych i od korekt wprowadzonych przez dostawcę.

Generatywna SI

GenAI (ang. Generative AI)

SI, która na podstawie promptu tworzy nowe teksty, obrazy lub inne treści.

Generowanie kodu

(ang. Code generation)

Zlecanie SI pisania kodu programu. Początkujący powinni tego unikać, ponieważ nie potrafią jeszcze ocenić, czy kod jest poprawny.

Grywalizacja

(ang. Gamification)

Wykorzystywanie elementów gier na lekcjach. Wykorzystanie SI do grywalizacji przyniosło zysk zbyt mały, by uznać go za udowodniony.

H

Halucynacja

(ang. Hallucination)

Płynna, pewna siebie, fałszywa. Nie jest to usterka czekająca na poprawkę, lecz konsekwencja sposobu, w jaki systemy generują tekst.

Hosting danych

(ang. Data hosting)

Miejsce przechowywania i przetwarzania danych, np. na serwerach europejskich lub poza UE. Dane przekazywane poza UE wymagają odpowiednich zabezpieczeń.

I

ICEP

Institute of European Certification of Personnel

Akredytowana jednostka certyfikująca (ISO 17024), która prowadzi platformę certyfikacyjną i egzamin oraz rejestry certyfikacji.

Inteligentny system tutorski

ITS (ang. Intelligent tutoring system)

Sprawdzone oprogramowanie edukacyjne, które prowadzi uczniów za pomocą dopasowanych zadań i informacji zwrotnej.

Interfejs czatu LLM

Asystent czatu SI (ang. LLM chat interface)

Okno czatu w przeglądarce, za pomocą którego użytkownicy pracują z dużym modelem językowym.

Inżynieria promptów

Promptowanie (ang. Prompt engineering, prompting)

Pisanie skutecznych promptów jako umiejętność, której można się nauczyć, np. na potrzeby planowania lekcji, różnicowania i oceniania.

Iteracyjne promptowanie

Doskonalenie promptu (ang. Iterative prompting, prompt refinement)

Ulepszanie wyniku SI w kilku rundach zamiast polegania na pojedynczym prompcie: określ cel, napisz prompt, oceń wynik, dopracuj i zweryfikuj.

J

Jednostka treści

(ang. Content Unit)

Najmniejszy element edukacyjny wielokrotnego użytku, wykorzystywany w scenariuszach lekcji i modułach.

Jednostka uczenia się

(ang. Learning Unit)

Konkretne działanie edukacyjne wykonywane przez uczącego się w ramach modułu.

K

Kadra uniwersytecka

(ang. University Faculty)

Pracownicy uczelni zaangażowani w kształcenie nauczycieli, jedna z grup docelowych Playbooka.

Kategoryzacja biometryczna

(ang. Biometric categorisation)

Wykorzystywanie danych biometrycznych do kategoryzowania osób w celu wnioskowania o cechach chronionych, takich jak rasa, poglądy polityczne, religia czy orientacja seksualna. Zakazana na mocy AI Act.

Klasyfikacja obrazów

Klasyfikator obrazów (ang. Image classification)

Zadanie SI, w którym model po wytrenowaniu na przykładach przypisuje obrazy do kategorii (np. papier, plastik, inne), a następnie jest testowany na nowych obiektach.

Kluczowa kompetencja

(ang. Core competency)

Jedna z 18 kompetencji ram DUAL.AI.TEACHer, z których każda leży na przecięciu obszaru pedagogicznego i aspektu SI.

Kod kompetencji

Kod celu uczenia się (ang. Competence code)

Oznaczenie celu uczenia się, np. AF-TL-2b: aspekt SI (HM, EI, AF) – obszar pedagogiczny (PE, DR, TL, A, EL, FC) – poziom progresji (1–3) i cel (a–c).

Kompetencja

(ang. Competence, competency)

To, co nauczyciel wie, potrafi zrobić i jest gotów zrobić, opisane w sposób umożliwiający nauczanie i sprawdzanie tego.

Kompetencje nauczyciela w zakresie SI

(ang. Teacher AI Competence)

Wiedza, umiejętności i postawy nauczycieli potrzebne do nauczania z SI i o SI, uporządkowane w ramach DUAL.AI.TEACHer.

Kompetencje w zakresie SI

Umiejętność korzystania z SI (ang. AI literacy)

Rozumienie pojęć związanych z SI, jej możliwości, ograniczeń oraz odpowiedzialnego wykorzystania. Zgodnie z art. 4 AI Act szkoły muszą wspierać rozwój tych kompetencji wśród pracowników korzystających z SI (obowiązek wiążący od 2 lutego 2025 r.); nie określono konkretnego poziomu, certyfikatu ani formy. Także nazwa Ścieżki certyfikacji B.

Kryterium oceny

(ang. Assessment Criterion)

Reguła lub punkt odniesienia służący do sprawdzenia, czy osiągnięto dany efekt uczenia się.

Kształcenie przygotowujące do zawodu nauczyciela

ITE (ang. Initial teacher education, pre-service teacher education)

Uniwersyteckie kształcenie przyszłych nauczycieli.

Kurs

(ang. Course)

Uporządkowany zestaw modułów szkoleniowych, zaprojektowany tak, aby zapewnić kompletne doświadczenie edukacyjne.

L

Licencja

(ang. Licence)

 

Luka między wiedzą a działaniem

(ang. Knowledge-Action Gap)

Mierzalny dystans między wiedzą o SI a nauczaniem inaczej z tego powodu.

M

Mapa drogowa integracji

(ang. Integration Roadmap)

Krok po kroku droga, jaką przechodzi nauczyciel lub instytucja od pierwszego kontaktu z SI do ugruntowanej praktyki; w DUAL.AI.TEACHer obejmuje dziewięć etapów.

Mechanizm przewidywania

Wynik probabilistyczny (ang. Prediction engine)

Modele językowe generują prawdopodobną kontynuację tekstu, zamiast wyszukiwać fakty w bazie danych. Wyjaśnia to, dlaczego halucynują i dlaczego podobne prompty mogą dawać różne odpowiedzi.

Metaanaliza

Przegląd (ang. Meta-analysis)

Badanie, które łączy wyniki wielu odrębnych badań dotyczących tego samego pytania.

Mikropoświadczenie

(ang. Micro-credential)

Mniejsza certyfikacja obejmująca jeden skoncentrowany zestaw kompetencji zamiast całej ścieżki; mikropoświadczenia można łączyć w większe kwalifikacje.

Model nauczania

(ang. Teaching Model)

Podejście pedagogiczne określające, w jaki sposób zorganizowane jest nauczanie i uczenie się, w tym rolę SI.

Model otwarty

Otwarty model SI (ang. Open model)

Model SI, którego komponenty są ogólnodostępne, w przeciwieństwie do zastrzeżonych modeli korporacyjnych. Zalecany jako element finansowanego ze środków publicznych, równego dostępu do SI.

Model SI

(ang. AI model)

Wytrenowany rdzeń systemu SI, który generuje wyniki na podstawie danych wejściowych.

Model zainstalowany lokalnie

Model hostowany lokalnie (ang. Locally installed model)

Model językowy działający na własnym urządzeniu lub serwerze szkoły. Stanowi alternatywę, gdy dostęp do internetu w szkole jest ograniczony.

Moduł szkoleniowy

(ang. Training Module)

Ustrukturyzowana jednostka szkoleniowa, która rozwija kompetencje poprzez działania i materiały edukacyjne.

Możliwość łączenia

Łączenie mikropoświadczeń (ang. Stackability, stackable)

Możliwość łączenia mikropoświadczeń w czasie, tak aby zaliczały się do większych kwalifikacji.

Myślenie komputacyjne

Myślenie algorytmiczne (ang. Computational thinking)

Podchodzenie do problemów w taki sposób, aby rozwiązanie mógł wykonać komputer, np. dzielenie ich na kroki i rozpoznawanie wzorców.

N

Nadmierne poleganie na SI

Nadmierne zaufanie (ang. Overreliance)

Ufanie wynikom SI bardziej, niż na to zasługują, np. akceptowanie błędnych ocen lub informacji zwrotnej. Nauczyciele korzystający z SI wysokiego ryzyka muszą aktywnie na to uważać.

Nadzór egzaminacyjny

Proctoring, zdalny nadzór (ang. Proctoring, exam proctoring, remote proctoring)

Nadzorowanie egzaminów za pomocą oprogramowania, np. przez kamerę internetową. SI wykrywająca niedozwolone zachowania podczas egzaminów jest uznawana za system wysokiego ryzyka; egzamin certyfikacyjny odbywa się ze zdalnym nadzorem.

Nadzór ze strony człowieka

(ang. Human oversight)

Wymóg, aby system SI wysokiego ryzyka był nadzorowany przez kompetentne, przeszkolone i upoważnione osoby, które rozumieją jego ograniczenia i mogą zignorować lub zmienić jego wynik. Nadzór bez wiedzy eksperckiej nie jest nadzorem.

Narzędzie SI

(ang. AI Tool)

Każda aplikacja wykorzystująca SI do wspierania wykonania zadania.

Nastawienie skoncentrowane na człowieku

(ang. Human-centred mindset)

Wartości i postawy, których nauczyciele potrzebują w interakcjach człowiek–SI, aby priorytetowo traktować potrzeby, osąd i dobrostan ludzi. Aspekt przekrojowy wymiaru pionowego.

Nauczanie o SI

Uczenie się O SI (ang. Teaching about AI)

Uczynienie samej SI tematem lekcji, tak aby uczniowie rozumieli, jak ona działa i gdzie zawodzi.

Nauczanie z SI

Uczenie się Z SI (ang. Teaching with AI)

Wykorzystywanie SI jako narzędzia we własnej pracy dydaktycznej, od planowania po informację zwrotną.

Nauczyciel

(ang. Teacher)

Osoba odpowiedzialna za projektowanie i prowadzenie działań związanych z nauczaniem i uczeniem się.

Nauczyciel akademicki kształcący nauczycieli

(ang. Teacher educator)

Kadra akademicka prowadząca zajęcia w kształceniu przygotowującym do zawodu nauczyciela. Rozwijanie ich potencjału to etap 3 mapy drogowej.

Nieukierunkowane pozyskiwanie wizerunków

Scraping (ang. Untargeted scraping)

Zautomatyzowane, masowe gromadzenie obrazów z internetu lub nagrań z monitoringu bez określonego celu ani konkretnej osoby.

O

Obowiązek przejrzystości

Obowiązek oznaczania, obowiązek ujawniania (ang. Transparency obligation)

Obowiązek wynikający z art. 50 AI Act, aby informować ludzi, że wchodzą w interakcję z SI, oraz ujawniać deepfake'i i teksty wygenerowane przez SI dotyczące spraw interesu publicznego. Treści, które zostały poddane weryfikacji przez człowieka i kontroli redakcyjnej, są z niego zwolnione, więc karta pracy sprawdzona przez nauczyciela nie wymaga oznaczenia.

Obszar kompetencji

(ang. Competence Domain, competence area)

Grupa powiązanych kompetencji w ramach danych ram kompetencji.

Ocena skutków dla praw podstawowych

FRIA (ang. Fundamental rights impact assessment)

Ocena, którą podmioty publiczne i organizacje świadczące usługi publiczne mogą być zobowiązane przeprowadzić przed wykorzystaniem SI wysokiego ryzyka (art. 27 AI Act).

Ochrona danych

(ang. Data protection)

Prawna ochrona danych osobowych. Nośny fundament prawa dotyczącego SI, który obowiązywał od samego początku; w UE przede wszystkim RODO.

Odciążenie poznawcze

(ang. Cognitive Offloading)

Przekazywanie pracy umysłowej czemuś poza własnym umysłem. Jest to przydatne, gdy wiedza jest już ugruntowana, a szkodliwe, gdy dopiero się kształtuje.

Odznaka cyfrowa

Otwarta odznaka cyfrowa (ang. Digital Badge)

Cyfrowa, możliwa do udostępniania forma certyfikatu lub mikropoświadczenia.

Operator

 

Czasownik, wokół którego zbudowany jest cel uczenia się (np. rozpoznaje, wdraża, poddaje krytyce). Wskazuje, czego oczekuje się od nauczyciela na danym poziomie, i sprawia, że cel staje się obserwowalny.

Organ nadzoru rynku

(ang. Market surveillance authority)

Krajowy organ egzekwujący przepisy AI Act. Każdy, w tym nauczyciele, uczniowie i rodzice, może złożyć do niego skargę (art. 85 AI Act).

Otwarte zasoby edukacyjne (OZE)

OER (ang. Open Educational Resource)

Materiały do nauczania i uczenia się opublikowane na otwartej licencji, która pozwala na ich swobodne wykorzystywanie, adaptowanie i udostępnianie.

P

Personalizacja

Personalizacja z wykorzystaniem SI (ang. Personalisation)

Dostosowywanie zasobów, zadań lub wsparcia do indywidualnych uczniów za pomocą SI. Może wspierać włączanie, ale niesie też ryzyko nierówności, niewłaściwego wykorzystania danych i wykluczenia.

Pisanie cyborgiczne

(ang. Cyborg writing)

Pisanie, w którym SI rozszerza myślenie piszącego, a nie je zastępuje, przy czym uczniowie zaznaczają, które fragmenty są ich własne.

Platforma MOOC

(ang. MOOC Platform)

Platforma cyfrowa służąca do prowadzenia kursów, zarządzania uczestnikami i udostępniania treści edukacyjnych.

Playbook

 

Uporządkowany przewodnik, który przekłada kompetencje w zakresie SI na praktykę nauczania poprzez przykłady zastosowań, modele pedagogiczne i materiały szkoleniowe.

Podmiot przetwarzający

(ang. Processor, data processor)

Zgodnie z RODO podmiot, który przetwarza dane osobowe w imieniu administratora i wyłącznie na jego polecenie, np. dostawca SI.

Podmiot stosujący

(ang. Deployer)

Organizacja, która wprowadza system SI i sprawuje nad nim kontrolę, zwykle szkoła lub organ prowadzący. Nauczyciel korzystający z narzędzia zgodnie z poleceniami szkoły zazwyczaj nie jest odrębnym podmiotem stosującym.

Podmiot trzeci

Strona trzecia (ang. Third party)

Firma, która nie jest ani szkołą, ani twórcą aplikacji – zazwyczaj firmy reklamowe lub analityczne, które otrzymują dane, gdy uczeń pracuje.

Podstawy i zastosowania SI

(ang. AI foundations and applications)

Wiedza koncepcyjna i umiejętności przekrojowe pozwalające zrozumieć, jak działa SI, oraz wybierać, stosować i adaptować narzędzia SI. Aspekt treściowy (specyficzny) wymiaru pionowego.

Pojedynczy prompt

(ang. One-shot prompt, single prompt)

Prompt wysłany jednorazowo, bez doprecyzowania ani kontynuacji. (W użyciu technicznym termin może oznaczać również prompt zawierający jeden rozwiązany przykład.)

Poziom progresji

Poziom (ang. Progression level)

Jeden z trzech poziomów, na których opisana jest każda kluczowa kompetencja: Poziom 1 Świadomość Orientacyjna, Poziom 2 Refleksyjne Wdrażanie (podstawowy poziom docelowy dla nauczycieli) i Poziom 3 Transformacyjne Przywództwo.

Prawo autorskie

(ang. Copyright)

Ochrona prawna utworów. W przypadku SI wygenerowane wyniki zazwyczaj nie są chronione prawem autorskim, ale wprowadzanie chronionych utworów do systemu SI nie jest objęte wyjątkiem dydaktycznym.

Profilowanie

(ang. Profiling)

Zautomatyzowana ocena osób w celu analizy lub przewidywania ich cech bądź zachowań. Edukacyjny system SI, który profiluje osoby, jest zawsze uznawany za system wysokiego ryzyka.

Prompt

Polecenie

Instrukcja, którą użytkownik przekazuje systemowi SI. Jej sformułowanie, kontekst i ograniczenia kształtują wynik.

Prompt ustrukturyzowany

(ang. Structured prompt)

Prompt określający więcej niż sam temat, np. odbiorców, cel, kontekst, poziom językowy, ton, wiek uczniów, cel uczenia się, czas trwania i oczekiwany wynik. Daje większą kontrolę nad wynikiem, ale nie gwarantuje dobrego rezultatu.

Przegląd kodu

Przegląd kodu wspierany przez SI (ang. Code review, AI-assisted code review)

Uczniowie najpierw piszą własny kod, a następnie proszą SI o propozycje ulepszeń, zamiast pozwalać jej napisać rozwiązanie. Propozycje te należy oceniać krytycznie.

Przejrzystość algorytmiczna

(ang. Algorithmic transparency)

Stopień, w jakim można zrozumieć, w jaki sposób system SI dochodzi do swoich wyników i kto zdecydował o jego działaniu.

Przepisywanie promptów

(ang. Prompt rewriting)

Dostawca automatycznie zmienia prompt użytkownika, zanim trafi on do modelu, np. aby dodać szczegóły lub różnorodność. Użytkownik nie widzi tej zmiany, więc to, co wpisał, nie jest tym, o co faktycznie poproszono maszynę.

Przewidywalność

(ang. Predictability)

Stopień, w jakim sformułowania w tekście są oczekiwane. Detektory SI mierzą przewidywalność, a nie autorstwo maszyny, dlatego błędnie oznaczają teksty proste lub pisane w drugim języku.

Przykład zastosowania

(ang. Use Case)

Konkretny scenariusz opisujący, jak SI jest wykorzystywana w praktyce nauczania.

Przyswojenie informacji zwrotnej

(ang. Feedback uptake, uptake)

To, czy informacja zwrotna zostaje przeczytana, zrozumiana i wykorzystana – i to na tyle dobrze, by uczeń następnym razem poradził sobie bez pomocy. Wąskim gardłem jest przyswojenie, a nie jakość informacji zwrotnej.

R

Ramy europejskie

(ang. European Framework)

Ramy odniesienia zapewniające ujednolicone definicje kompetencji na poziomie europejskim.

Ramy Kompetencji Pedagogicznych w Zakresie SI

Ramy kompetencji DUAL.AI.TEACHer (ang. AI Pedagogical Competency Framework)

Struktura porządkująca kompetencje nauczycielskie związane z SI według wymiarów i poziomów oraz łącząca je z rezultatami i ocenianiem, z uwzględnieniem aspektów pedagogicznych, etycznych i technicznych.

Ramy kompetencji SI dla nauczycieli UNESCO

(ang. UNESCO AI Competency Framework for Teachers)

Ramy UNESCO (2024) określające zasady, wartości, wiedzę i umiejętności, których nauczyciele potrzebują, aby wykorzystywać SI w sposób etyczny, skuteczny i bezpieczny. Źródło wymiaru pionowego.

Ramy pedagogiczne

(ang. Pedagogical Framework)

Uporządkowany zestaw zasad i podejść pedagogicznych, którymi kieruje się projektowanie nauczania i uczenia się.

Randomizowane badanie kontrolowane

RCT, badanie kontrolowane (ang. Randomised controlled trial)

Badanie, w którym uczestnicy są losowo przydzielani do grup, dzięki czemu różnice w wynikach można przypisać interwencji.

Rejestry zdarzeń

Logi (ang. Logs)

Zapisy automatycznie generowane przez system SI. Podmioty stosujące systemy wysokiego ryzyka muszą je przechowywać przez co najmniej sześć miesięcy, o ile rejestry te znajdują się pod ich kontrolą.

RODO

Ogólne rozporządzenie o ochronie danych, rozporządzenie (UE) 2016/679 (ang. GDPR)

Unijne prawo o ochronie danych. Podczas gdy AI Act pyta, czy i jak system SI może być wykorzystywany, RODO pyta, czy określone dane konkretnej osoby mogą być przetwarzane w określony sposób.

Rozliczalność

Odpowiedzialność (ang. Accountability)

Ponoszenie odpowiedzialności za decyzje dotyczące wykorzystania SI i ich konsekwencje. Odpowiedzialność pozostaje zawsze po stronie ludzi i instytucji, nigdy po stronie systemu.

Rozpoznawanie emocji

(ang. Emotion recognition)

SI, która twierdzi, że na podstawie danych biometrycznych wnioskuje o uczuciach lub intencjach, np. wykrywanie uwagi, analiza nastroju lub ocena „zaangażowania” za pomocą kamery internetowej. Zakazane w szkołach od 2 lutego 2025 r., z wąskimi wyjątkami ze względów medycznych lub bezpieczeństwa.

Rozpoznawanie mowy

(ang. Speech recognition)

Forma SI, w której program próbuje rozpoznać wypowiadane słowa lub liczby. Skuteczność zależy od mikrofonu, wyraźności wymowy i ciszy w pomieszczeniu.

Rozpoznawanie twarzy

(ang. Facial recognition)

SI identyfikująca osoby po twarzy, np. do sprawdzania obecności lub nadzoru egzaminów. Tworzenie lub rozbudowywanie baz danych do rozpoznawania twarzy poprzez nieukierunkowane pozyskiwanie wizerunków (scraping) jest zakazane.

S

Scaffolding

Rusztowanie dydaktyczne

Ustrukturyzowane wsparcie nauczyciela, które pomaga uczniom korzystać z narzędzia lub wykonać zadanie, z którym nie poradziliby sobie jeszcze samodzielnie.

Scenariusz lekcji

(ang. Lesson Plan)

Szczegółowy plan zajęć obejmujący cele, działania i integrację narzędzi SI.

Schemat poznawczy

(ang. Schema)

Uporządkowana wiedza danej osoby.

Serwer

(ang. Server)

Komputer, który przechowuje i przetwarza dane dla innych przez sieć. Lokalizacja serwerów narzędzia SI (np. w UE) wpływa na to, które przepisy o ochronie danych mają zastosowanie.

SI

Sztuczna inteligencja (ang. AI, Artificial Intelligence)

Systemy komputerowe wykonujące zadania kojarzone z ludzkim myśleniem, takie jak rozpoznawanie wzorców, przetwarzanie języka czy generowanie treści, najczęściej dzięki uczeniu się na podstawie danych.

Sprawczość ucznia

(ang. Learner agency)

Zdolność uczniów do samodzielnego podejmowania decyzji dotyczących własnego uczenia się, w tym korzystania z zasobów wygenerowanych przez SI. Nauczyciele powinni ją chronić w procesach wspieranych przez SI.

Sprawiedliwość

Niedyskryminacja (ang. Fairness)

Zasada, zgodnie z którą SI i jej wykorzystanie nie mogą systematycznie stawiać ludzi w gorszej sytuacji, np. gdy detektory SI błędnie oznaczają teksty osób, dla których język nie jest ojczysty.

Standardowe klauzule umowne

SCC (ang. Standard contractual clauses)

Zatwierdzone przez UE postanowienia umowne, które chronią dane osobowe przekazywane poza UE, gdy nie wydano decyzji stwierdzającej odpowiedni stopień ochrony.

Stochastyczny

Losowy (ang. Stochastic)

Zależny od przypadku, przez co te same ustawienia mogą prowadzić do różnych wyników.

Stronniczość

(ang. Bias)

Skrzywienia odziedziczone z materiału, na którym system się uczył, których nie da się wiarygodnie zredukować poprzez zwiększenie systemu.

Suwerenność cyfrowa

(ang. Digital sovereignty)

Kontrola nad własnymi danymi, infrastrukturą i wyborami technologicznymi. Samodzielne zbudowanie platformy nie daje automatycznie większej kontroli, dlatego Playbook zaleca ostrożne posługiwanie się tym terminem.

System SI wysokiego ryzyka

SI wysokiego ryzyka (ang. High-risk AI system)

System SI, który ze względu na swoje przeznaczenie podlega surowym obowiązkom. W edukacji: decydowanie o przyjęciu, ocenianie efektów uczenia się lub sterowanie procesem uczenia się, ocena dostępu do poszczególnych poziomów kształcenia oraz wykrywanie niedozwolonych zachowań podczas egzaminów; w odniesieniu do pracowników: rekrutacja, awans, przydzielanie zadań i ocena wyników pracy. Obowiązki mają zastosowanie od 2 grudnia 2027 r.

Szczególne kategorie danych

(ang. Special category data)

Dane osobowe wymagające dodatkowej ochrony, takie jak dane o zdrowiu, niepełnosprawności, dane biometryczne lub dane ujawniające pochodzenie etniczne czy wyznanie (art. 9 RODO). Co do zasady niedopuszczalne do przetwarzania bez szczególnego wyjątku.

Szkolne środowisko SI

Sprawdzona platforma (ang. School AI environment, vetted platform)

Udostępniana przez państwo, sprawdzona platforma SI dla szkół z wynegocjowanymi umowami, oferowana zamiast pozostawiania nauczycielom rejestrowania się w bezpłatnych narzędziach.

Ś

Ścieżka A, Ścieżka B

(ang. Certification track, Track A, Track B)

Jedna z dwóch uzupełniających się certyfikacji: Ścieżka A – Nauczanie wzbogacone o SI (WITH AI) oraz Ścieżka B – Kompetencje w zakresie SI (ABOUT AI). Nauczyciele mogą realizować jedną lub obie.

Ścieżka certyfikacji

(ang. Certification Pathway)

Droga, poprzez którą kompetencje są walidowane i formalnie uznawane, tutaj jako podwójna ścieżka (Ścieżka A i Ścieżka B).

T

Trenowanie na danych użytkowników

(ang. Training on user inputs)

Sytuacja, w której dostawca wykorzystuje to, co użytkownicy wpisują lub przesyłają, do własnych celów, zwłaszcza do trenowania swoich modeli. Dane osobowe można wprowadzać tylko wtedy, gdy pisemna umowa to wyklucza.

Tutor SI

(ang. AI Tutor)

System SI zaprojektowany do wyjaśniania treści i prowadzenia uczniów. Może wspierać przyswajanie wiedzy faktograficznej.

Tutor sokratejski

(ang. Socratic tutor)

Chatbot poinstruowany, by zadawał pytania naprowadzające zamiast udzielać odpowiedzi. Jeśli jest skonfigurowany wyłącznie za pomocą promptu, w dłuższych rozmowach ma tendencję do powrotu do podawania odpowiedzi, dlatego niezawodne ograniczenia muszą być wbudowane w sam system.

U

Uczący się

(ang. Learner)

Osoba uczestnicząca w działaniach edukacyjnych w celu zdobycia wiedzy, umiejętności lub kompetencji.

Uczenie maszynowe

ML (ang. Machine learning)

Podejście, w którym system SI uczy się wzorców na podstawie otrzymanych przykładów, zamiast postępować według ręcznie napisanych reguł. Jeśli przykłady są zbyt podobne, niekompletne lub źle dobrane, model daje nieoczekiwane wyniki.

Umowa powierzenia przetwarzania danych

(ang. Data processing agreement, DPA)

Pisemna umowa między szkołą a dostawcą, określająca, w jaki sposób dostawca może przetwarzać dane osobowe (art. 28 RODO). Praktyczny test: czy wyklucza trenowanie modelu na wprowadzanych przez Ciebie danych?

Uniwersalne projektowanie uczenia się

UDL (ang. Universal Design for Learning)

Ramy włączającego projektowania skoncentrowanego na uczniu. Wykorzystane do wzmocnienia wymiaru inkluzji w ramach kompetencji.

Utrata kwalifikacji

(ang. Deskilling)

Powolna erozja wiedzy eksperckiej zawodowej, gdy narzędzie przejmuje pracę, dzięki której ta wiedza ekspercka jest podtrzymywana.

V

Vibe coding

 

Tworzenie lub rozbudowywanie oprogramowania poprzez opisanie w języku naturalnym, co ma ono robić, i zlecenie SI napisania kodu. W Playbooku uczniowie rozbudowują istniejącą symulację za pomocą promptów, zamiast programować od zera.

W

Wiedza faktograficzna

(ang. Factual knowledge)

Wiedza o faktach i pojęciach. Tutorzy SI mogą wspierać jej przyswajanie.

Wycofanie artykułu

Retrakcja (ang. Retraction)

Oficjalne wycofanie opublikowanego artykułu przez czasopismo. Artykuł pozostaje widoczny z oznaczeniem „RETRACTED”, aby każdy, kto go cytował, mógł to rozpoznać.

Wyjaśnialność

Wyjaśnienie SI (ang. Explainability)

Pokazywanie przez system SI, w jaki sposób doszedł do swojego wyniku. Wyjaśnienia nie zapobiegają niezawodnie nadmiernemu zaufaniu; wyjaśnienia zbyt techniczne lub zbyt uproszczone mogą wręcz zwiększać nieuzasadnione zaufanie.

Wyjątek dydaktyczny

(ang. Teaching exception)

Wyjątek w prawie autorskim, który pozwala nauczycielom kopiować ograniczoną część utworu na potrzeby swojej klasy. Nie obejmuje wprowadzania chronionych utworów do systemu SI, a materiały przeznaczone do nauczania w szkole, przede wszystkim podręczniki, są z niego wyłączone.

Wymiar

(ang. Dimension)

Jeden z szerokich obszarów, na które podzielone są ramy kompetencji, z których każdy grupuje kompetencje należące do siebie w praktyce.

Wymiar etyczny

(ang. Ethical Dimension)

Wymiar dotyczący kwestii etycznych związanych z wykorzystaniem SI w nauczaniu i uczeniu się.

Wymiar inkluzji

(ang. Inclusion Dimension)

Wymiar koncentrujący się na dostępności, równości i włączaniu w nauczaniu i uczeniu się wspieranym przez SI.

Wymiar pionowy

Wymiar SI (ang. Vertical dimension)

Trzy aspekty SI w ramach DUAL.AI.TEACHer, zaczerpnięte z ram UNESCO: nastawienie skoncentrowane na człowieku, etyka SI oraz podstawy i zastosowania SI.

Wymiar poziomy

Wymiar pedagogiczny (ang. Horizontal dimension)

Sześć obszarów praktyki nauczycielskiej w ramach DUAL.AI.TEACHer, zaczerpniętych z DigCompEdu: zaangażowanie zawodowe, zasoby cyfrowe, nauczanie i uczenie się, ocenianie, wzmacnianie uczniów oraz wspieranie kompetencji cyfrowych (SI) uczniów.

Wytyczne polityki edukacyjnej

(ang. Policy Guideline)

Dokument na poziomie polityki, który stanowi podstawę rozwoju kompetencji i praktyk nauczania.

Z

Zabezpieczenia

(ang. Guardrails)

Ograniczenia wbudowane w system, aby wspierał myślenie, zamiast je zastępować.

Zakazane praktyki w zakresie SI

(ang. Prohibited AI practices, banned AI practices)

Osiem zastosowań SI całkowicie zakazanych przez AI Act (art. 5) od 2 lutego 2025 r. Cztery z nich dotyczą szkół: rozpoznawanie emocji, wykorzystywanie słabości, nieukierunkowane bazy danych do rozpoznawania twarzy oraz kategoryzacja biometryczna.

Zamówienia

Decyzja o zakupie (ang. Procurement)

Proces, w ramach którego szkoła lub organ prowadzący wybiera i kupuje narzędzia SI. To na tym etapie zapewnia się niezawodne ograniczenia i umowne zabezpieczenia, dlatego odpowiedzialność spoczywa na zamawiającym, a nie na pojedynczym nauczycielu.

Zautomatyzowane podejmowanie decyzji

(ang. Automated decision-making)

Decyzja oparta wyłącznie na zautomatyzowanym przetwarzaniu, która w istotny sposób wpływa na osobę. Ocena szkolna jest taką decyzją; formalne zatwierdzenie propozycji SI nie jest uznawane za decyzję człowieka.

Zgodność SI z przepisami

Zgodne z przepisami wykorzystanie SI (ang. AI Compliance)

Wykorzystywanie SI zgodnie z przepisami o ochronie danych, aktem w sprawie sztucznej inteligencji (AI Act), prawem autorskim i przepisami egzaminacyjnymi. Zgodność z przepisami umożliwia korzystanie z SI, a nie je utrudnia.

Zmyślony cytat

Wymyślone źródło (ang. Fabricated citation)

Odwołanie wygenerowane przez SI do źródła, które nie istnieje. Wykrywanie takich źródeł to kluczowa umiejętność weryfikacji i jeden z typowych sygnałów nieujawnionego korzystania z SI.

Zrewidowana taksonomia Blooma

(ang. Revised Bloom's taxonomy)

Model, w którym procesy poznawcze rozwijają się od zapamiętywania i rozumienia, poprzez stosowanie i analizowanie, aż po ocenianie i tworzenie (Anderson & Krathwohl, 2001). Podstawa poziomów progresji.

Zrównoważona SI

(ang. Sustainable AI)

Rozwijanie i wykorzystywanie SI w sposób uwzględniający jej długofalowe skutki środowiskowe, społeczne i ekonomiczne.